Akustische Simulation von Fahrzeuggeräuschen innerhalb virtueller Umgebungen basierend auf künstlichen neuronalen Netzen (KNN)

Das Entwickeln neuer Produkte ist an viele Vorgaben geknupft, die z.B. von Seiten des Kunden gemacht werden oder die im Rahmen von Gesetzen existieren. Zu unterschiedlichsten Zeitpunkten im Produktentwicklungsprozess wird deshalb uberpruft, ob die gewunschten Produkteigenschaften erreicht werden. Hierfur ist es notwendig, Modelle bzw. Prototypen zu bauen. Dies ist oftmals mit gro{\ss}en Kosten und hohem Zeitaufwand verbunden. Virtual Reality (VR) kann eine Moglichkeit bieten, diesen finanziellen und zeitlichen Aufwand zu reduzieren, indem Prototypen virtuell dargestellt werden. So konnen z.B. Produkte in einer virtuellen Umgebung visualisiert werden, so dass das Aussehen und das visuelle Design bewertet werden konnen. Ob ein Produkt vom Kunden akzeptiert wird, hangt aber haufig auch von den akustischen Eigenschaften des Produktes ab. Fur viele Produkte gibt es daruber hinaus auch gesetzliche Regelungen, die vorschreiben, wie laut das vom Produkt abgestrahlte Gerausch sein darf. So wird es immer wichtiger, VR-Methoden zu entwickeln, mit denen akustische Eigenschaften von Produkten simuliert werden konnen. Eine besondere Herausforderung stellt hierbei die Simulation von dynamischen Gerauschen dar. Dynamisch bedeutet in diesem Zusammenhang, dass das Zeitsignal eines Gerausches nicht linear beschrieben werden kann und keine Periodizitat aufweist. Der Begriff dynamisch bezieht sich hierbei auf den Klang des Gerausches, der nicht gleichbleibend ist, sondern standigen Anderungen unterworfen ist.Im Beitrag wird ein Konzept fur die Simulation von dynamischen Fahrzeuggerauschen vorgestellt. Das Konzept basiert auf dem Einsatz kunstlicher neuronaler Netze (KNN). Fahrzeuggerausche sind abhangig von unterschiedlichen Parametern wie z.B. der Geschwindigkeit, dem Gang oder dem Lastzustand. Unter Berucksichtigung dieser Abhangigkeiten sollen Audioaufnahmen von Fahrzeuggerauschen angepasst werden. Die Audioaufnahmen wurden in Form von akustischen Messungen an verschiedenen Fahrzeugen und deren Komponenten erstellt. KNNs werden erfolgreich zum Klassifizieren von Bilddaten verwendet und auch fur die Audiosignalverarbeitung sind sie geeignet. So werden KNNs zum Beispiel fur Spracherkennungstools eingesetzt. Beide Anwendungsfelder basieren auf einer gut funktionierenden Merkmalsextraktion. Das im Beitrag beschriebene KNN wird so trainiert, dass die Merkmalsextraktion vom Netz selbst in unabhangiger und selbststandiger Weise durchgefuhrt wird, ohne dass Merkmale vorgegeben werden mussen. So kann ermittelt werden, wie viele Merkmale benotigt werden, um Fahrzeuggerausche hinreichend genau zu beschreiben. Daruber hinaus wird untersucht, wie diese Merkmale aussehen und ob Zusammenhange mit bestimmten Fahrzeugparametern existieren. Auserdem wird beschrieben, wie solche Netze in ein bestehendes audio-visuelles VR-System integriert werden konnen.