論文の概要: AcousticDiffusion: Semantically Conditioned Audio-Guided Diffusion Policy for Search-and-Rescue Assistance
- arxiv url: http://arxiv.org/abs/2609.21792v1
- Date: Fri, 18 Sep 2026 14:05:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:17.135253
- Title: AcousticDiffusion: Semantically Conditioned Audio-Guided Diffusion Policy for Search-and-Rescue Assistance
- Title（参考訳）: アコースティック・ディフュージョン:サーチ・アンド・レスキュー支援のためのセマンティック・コンディショニング・オーディオ誘導型ディフュージョン・ポリシー
- Abstract要約: 人間の呼び出し者へのナビゲートは、視覚的接触が劣化または閉鎖された場所で作業する救助ロボットにとって重要な機能である。
本研究では,人間指向ナビゲーションのための意味的条件付き音声誘導拡散ポリシーであるAtlassianDiffusionを提案する。
追加のトレーニングなしに4倍のZSL-1上にオンラインで展開され、平均軸受誤差は64.9度であり、A*は98.2度、RTRは90.4度であり、平均プランナー計算時間は6.07msである。
- 参考スコア（独自算出の注目度）: 2.1645011609137295
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Navigating toward human callers is an important capability for rescue robots operating where visual contact is degraded or occluded. We present AcousticDiffusion, a semantically conditioned, audio-guided diffusion policy for human-directed navigation. A frozen pretrained audio recognizer processes 10.24 s windows, with speech gating and distress-aware prioritization converting recognition outputs into source-level navigation roles. Microphone-array direction-of-arrival measurements are recursively integrated into a robot-centric Bayesian bird's-eye-view belief field. Ego-motion compensation aligns successive observations, progressively constraining source position while preserving bearing-induced range uncertainty. The semantic belief, recent acoustic observations, audio features, and robot state condition a diffusion model that generates waypoint trajectories. On a synthetic-navigation validation set using recorded audio, AcousticDiffusion achieves a mean end-point bearing error of 11.20 degrees, with 91.78% of trajectories aligned within 30 degrees of the caller. Distractor rejection ranges from 89.20% to 98.99%, and the policy favors a HELP-designated caller over a competing speaker in 91.07% of windows. Deployed online on a ZSL-1 quadruped without additional retraining, it achieves a mean bearing error of 64.9 degrees, compared with 98.2 degrees for A* and 90.4 degrees for RRT, with a mean planner compute time of 6.07 ms. Despite imperfect acoustic localization, the reported mean final source distance is reduced from 3.96 m for the classical planners using ODAS-derived (Open embedded Audition System) guidance to 2.48 m, a 37.4% improvement. These results demonstrate the framework's ability to translate uncertain acoustic observations into closer approaches to human callers.
- Abstract（参考訳）: 人間の呼び出し者へのナビゲートは、視覚的接触が劣化または閉鎖された場所で作業する救助ロボットにとって重要な機能である。
本研究では,人間指向ナビゲーションのための意味的条件付き音声誘導拡散ポリシーであるAtlassianDiffusionを提案する。
凍結事前学習された音声認識装置は、10.24秒のウィンドウを処理し、音声認識出力をソースレベルのナビゲーションロールに変換する音声ゲーティングおよび悲惨な認識優先化を行う。
マイクロホンアレイの方向測定は、ロボット中心のベイズ鳥類の目視信仰領域に再帰的に統合される。
エゴモーション補償は、軸受誘起範囲の不確かさを保ちながら、徐々にソース位置を拘束する連続的な観測を一致させる。
意味的信念、最近の音響観測、音響特徴、ロボット状態条件は、ウェイポイント軌道を生成する拡散モデルである。
録音音声を用いた合成ナビゲーション検証セットにおいて、AudioDiffusionは平均終点ベアリング誤差を11.20度とし、91.78%の軌道が通話者の30度以内に整列している。
ディトラクタ拒絶は89.20%から98.99%の範囲で、この政策は、91.07%のウィンドウで競合するスピーカーよりもHELP指定の発信者を好む。
追加のリトレーニングを伴わないZSL-1上のオンライン展開では、平均軸受誤差が64.9度であり、A*の98.2度、RTRの90.4度であり、平均平面計算時間は6.07msである。
これらの結果は、不確実な音響観測を人間呼び出し者への接近に翻訳する能力を示すものである。
関連論文リスト
- Prototype-Rectified Iterative Self-supervised Manifold Denoising under Severe Acoustic Shift [3.704942101286518]
本稿では,アフィンノイズ仮説に基づくトレーニングフリーでソースフリーなテスト時間適応(TTA)フレームワークであるPRISMを紹介する。
推論において、適応は0.0009msで1つの行列ベクトル乗法に還元され、勾配ベースのTTAよりもかなり速い。
UrbanSound8Kでは、PRISMはゼロショットベースラインを12.94ポイント上回り、オラクル支援TTAベースラインを9.41ポイント上回る。
論文 参考訳（メタデータ） (2026-08-15T04:42:14Z) - From Inaudible Inputs to Model Failures: Low-Frequency Safety Risks in LALMs [46.76277198630859]
大規模な音声言語モデル (LALM) は多様な音声入力を理解する強力な能力を示している。
この多様性には、人間には聞こえない低周波信号が含まれているが、それでもモデルに入り、その生成に影響を与えることができる。
ブラックボックス設定における普遍的な波形テンプレートを用いて,このリスクを評価可能な赤信号抽出手法である Intermittent Low-Frequency Lockout (ILL) を提案する。
論文 参考訳（メタデータ） (2026-08-10T06:09:50Z) - Steering Where to Listen: Instruction-Based Activation Steering Redirects Temporal Attention in Large Audio-Language Models [51.56484100374058]
LALM(Large Audio-Language Models)は、音声理解において優れるが、音声信号のどこにあるかはほとんど明らかにしない。
本稿では,命令に基づくベクトルステアリングについて紹介する。これは音声を固定したまま,異なる指示されたプロンプトからのアクティベーションをコントラストすることで,ステアリングベクトルを構成する。
LALMにおける命令ベースステアリングの力学特性を特徴付けるとともに,これらのモデルが符号化した潜時構造に対する訓練不要プローブを提供する。
論文 参考訳（メタデータ） (2026-06-09T19:44:46Z) - To Be Multimodal or Not to Be: Query-Adaptive Audio-Visual Person Retrieval via Active Modality Detection [29.127141072949787]
モダリティの欠如による楽譜はノイズを注入し、最高の単調システムよりも精度を低下させる。
クロスモーダルスコアの整合性によってアクティブなモダリティを検出するクエリ適応フレームワークを提案する。
BBC Rewind Corpusでは、適応システムは94.2%のP@1に達し、話者のみ(82.9%)、顔のみ(93.4%)、固定核融合(90.0%)を上回っている。
論文 参考訳（メタデータ） (2026-06-04T09:33:58Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - A-SLIP: Acoustic Sensing for Continuous In-hand Slip Estimation [17.104227710496257]
パラレルジャウグリップに統合されたマルチチャンネル音響センサシステムであるA-SLIPを提案する。
A-SLIPモデルは、軽量畳み込みネットワークを用いて、ログメルスペクトログラムとして同期マルチチャンネルオーディオを処理する。
シングルマイクロフォン構成と比較して、マルチチャネル設計は方向誤差を64パーセント、等級誤差を68%削減する。
論文 参考訳（メタデータ） (2026-04-09T17:58:27Z) - iPhoneme: Brain-to-Text Communication for ALS Using ConformerXL Decoding [1.529342790344802]
ALS患者のための脳とテキストのコミュニケーションシステム iPhoneme について述べる。
このシステムは、深層学習音素デコーダと、視線支援音素入力インタフェースを組み合わせる。
インタラクションの面では、iPhonemeは、居住時間選択を代替するコード付きガウン+サイレント音声パラダイムを導入している。
論文 参考訳（メタデータ） (2026-04-07T05:08:27Z) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳（メタデータ） (2026-03-02T13:02:13Z) - SpyDir: Spy Device Localization Through Accurate Direction Finding [10.149701353576285]
SpyDirは、電磁エマレーションを自動で無意識に放出することで、隠されたスパイIoTデバイスを正確にローカライズするシステムだ。
本システムの設計は, 可搬型スイッチングアンテナアレイと非コヒーレント平均化によるエマネーション向上アルゴリズムと, 新規な最適化に基づくスパルスAoAの導出により, 相対チャネルを活用可能なマルチパス分解アルゴリズムとを主成分とする。
論文 参考訳（メタデータ） (2026-01-31T00:01:48Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - Listen Attentively, and Spell Once: Whole Sentence Generation via a
Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。
非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。
我々は,中国における公開データセットAISHELL-1の実験を行った。
論文 参考訳（メタデータ） (2020-05-11T04:45:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。