基于稠密波束合成能量图的无人机声学成像与U-Net SELD
音频与语音处理
2026-03-30 v3 人工智能
声音
信号处理
摘要
我们提出一种用于360度声源定位的U-Net模型，将其建模为球面语义分割任务。不同于对离散到达方向（DoA）角度进行回归，我们的方法将波束合成后的音频图（方位角与仰角）分割为声源活跃区域的存在。采用延迟求和（DAS）波束成形技术，对定制的24麦克风阵列进行处理，生成与无人机GPS遥测同步的信号，以创建二进制监督掩码。经过修改的U-Net模型在这些图的频域表示上进行训练，学习识别空间分布的源区域，并通过Tversky损失解决类别不平衡问题。由于该网络 operates on波束合成能量图，方法本身对阵列无关，可适应不同麦克风配置，并可转移到不同的麦克风配置中。分割输出经计算激活区域的质心后处理，实现鲁棒的DoA估计。我们的数据集包括DJI Air 3无人机的真实世界野外录音，同步360度视频和飞行日志，覆盖多个日期和地点。实验结果表明，U-Net在不同环境下具有良好的泛化性，提供更精确的角度精度，为超越传统声源定位（SSL）的稠密空间音频理解提供了新范式。我们还在DCASE 2019 TAU空间声事件基准上验证了相同的波束合成+分割公式，表明该方法不仅适用于无人机声学，也适用于多类声事件定位与检测（SELD）场景。
引用
@article{arxiv.2508.00307,
title = {Acoustic Imaging for UAV Detection: Dense Beamformed Energy Maps and U-Net SELD},
author = {Belman Jahir Rodriguez and Sergio F. Chevtchenko and Marcelo Herrera Martinez and Yeshwanth Bethi and Saeed Afshar},
journal= {arXiv preprint arXiv:2508.00307},
year = {2026}
}