論文の概要: Audio-based UAV Localization with Adaptive Temporal Correspondence via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.24218v1
• Date: Mon, 21 Sep 2026 07:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 15:42:32.322322
• Title: Audio-based UAV Localization with Adaptive Temporal Correspondence via Reinforcement Learning
• Title（参考訳）: 適応的時間対応を用いた強化学習による音声によるUAV位置推定
• Abstract要約: 適応的な時間対応を持つ音声に基づく局所化フレームワークを提案する。 提案手法は,時間的対応遅延を大幅に低減して,競合する3次元局所化精度を実現する。
• 参考スコア（独自算出の注目度）: 14.926455016270802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Audio-based localization provides a low-cost and illumination-independent sensing solution for anti-UAV early warning. However, existing methods typically rely on a predefined fixed audio segment length, which limits temporal correspondence and creates a trade-off between sufficient acoustic evidence and timely localization. To address this issue, we propose an audio-based localization framework with adaptive temporal correspondence. A probe segment is first used to extract a compact acoustic state that characterizes the reliability and consistency of the observation. Guided by the state, a reinforcement learning controller dynamically determines the required audio window size for each localization decision. The selected audio segment is then processed by a Mamba-based localization network with adaptive temporal feature modulation for 3D position estimation. Extensive experiments demonstrate that our method achieves competitive 3D localization accuracy with substantially reduced temporal correspondence latency compared to SOTA methods and exhibits strong generalization across scenarios.
• Abstract（参考訳）: オーディオベースのローカライゼーションは、アンチUAV早期警報のための低コストで照明に依存しないセンシングソリューションを提供する。 しかし、既存の手法は通常、時間的対応を制限し、十分な音響的証拠と時間的局所化の間のトレードオフを生み出す、あらかじめ定義されたオーディオセグメント長に依存している。 この問題に対処するために,適応的時間対応を伴う音声に基づく局所化フレームワークを提案する。 プローブセグメントは、観測の信頼性と一貫性を特徴付けるコンパクトな音響状態の抽出に最初に使用される。 状態によってガイドされた強化学習コントローラは、各ローカライゼーション決定に必要なオーディオウィンドウサイズを動的に決定する。 そして、選択された音声セグメントを、3次元位置推定のための適応的時間的特徴変調を備えたマンバベースのローカライゼーションネットワークで処理する。 拡張実験により,SOTA法と比較して時間的対応の遅延を著しく低減し,シナリオ間の強い一般化を図りながら,競合する3次元局所化の精度が得られた。

関連論文リスト

• Augmenting Large Audio-Language Models with Frame-Level Grounding for Fine-Grained Temporal Perception [26.919697203335343]
  LALM(Large Audio-Language Models)は、かなり高度な一般的な音声理解を持つが、微粒な時間知覚では限定的である。 イベントクエリを表現するためのセマンティックモデリング機能を活用しながら、専用のフレームレベルグラウンドモデルでLALMを拡張する。 多様な時間的グラウンドベンチマークによる実験は、既存の方法よりも強力で一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-09-14T08:35:35Z)
• Improving Text-to-Audio Instruction Following via Fine-Grained Feedback from Audio-Aware Large Language Models [51.75139461584678]
  最近の音声合成モデルは高品質な音声を生成するが、複数の音声イベントと時間順を含む指示に従わないことが多い。 本稿では,音声対応の大規模言語モデルを用いた指示レベルフレームワークを提案する。 実験の結果,既存のベンチマークやS3Benchにおける事象完全性,時間的順序付け,共同指示追従の精度が向上し,音質の維持が図られた。
  論文  参考訳（メタデータ） (2026-07-15T03:13:06Z)
• 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)
• Temporal Contrastive Decoding: A Training-Free Method for Large Audio-Language Models [56.91801348360746]
  大規模な音声言語モデル(LALM)は、音声、音声、音楽にまたがって一般化される。 統一デコーダは 時空間のスムーズなバイアスを示します LALMの学習自由復号法であるemphTemporal Contrastive Decoding (TCD)を提案する。
  論文  参考訳（メタデータ） (2026-04-16T02:30:41Z)
• Robust Audio-Visual Segmentation via Audio-Guided Visual Convergent Alignment [26.399212357764576]
  音声-視覚的手がかりに基づく聴覚オブジェクトの正確な位置決めは、音声-視覚的セグメンテーションの中核的な目的である。 本稿では,AMAモジュールとUEモジュールの2つの主要コンポーネントを持つ新しいフレームワークを提案する。 AMAは、複数のグループ内で音声と視覚の相互作用を実行し、オーディオキューに対する応答性に基づいて、グループ機能をコンパクトな表現に集約する。 UEは空間情報と時間情報を統合し、音状態の頻繁な変化に起因する高不確かさ領域を識別する。
  論文  参考訳（メタデータ） (2025-03-17T05:48:22Z)
• SoundDet: Polyphonic Sound Event Detection and Localization from Raw Waveform [48.68714598985078]
  SoundDetは、多音動音イベントの検出とローカライゼーションのためのエンドツーエンドのトレーニング可能で軽量なフレームワークである。 SoundDetは、生のマルチチャネル波形を直接消費し、検出すべき時間音イベントを完全な音オブジェクトとして扱う。 次に、時間的変化が大きいイベントを予測する上での課題に対処するため、高密度な音響提案イベントマップを構築する。
  論文  参考訳（メタデータ） (2021-06-13T11:43:41Z)
• PILOT: Introducing Transformers for Probabilistic Sound Event Localization [107.78964411642401]
  本稿では,受信したマルチチャンネル音声信号の時間的依存性を自己アテンション機構によってキャプチャする,トランスフォーマーに基づく新しい音声イベント定位フレームワークを提案する。 このフレームワークは, 公開されている3つの音声イベントローカライズデータセットを用いて評価し, 局所化誤差と事象検出精度の点で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2021-06-07T18:29:19Z)
• Exploiting Attention-based Sequence-to-Sequence Architectures for Sound Event Localization [113.19483349876668]
  本稿では,注意に基づくシーケンス・ツー・シーケンスモデルを用いて,音のイベントの局所化に新たなアプローチを提案する。 それは無響および残響の条件の最先端の方法と比較される優秀なローカリゼーションの性能をもたらします。
  論文  参考訳（メタデータ） (2021-02-28T07:52:20Z)
• C-SL: Contrastive Sound Localization with Inertial-Acoustic Sensors [5.101801159418222]
  任意の幾何形状の移動慣性音響センサアレイを用いたコントラスト音像定位(C-SL)を導入する。 C-SLは、音響測定から、自己教師された方法でアレイ中心の方向へのマッピングを学習する。 我々は、C-SLが提供する緩やかな校正プロセスが、真のパーソナライズされた補聴器アプリケーションへの道を開くと信じている。
  論文  参考訳（メタデータ） (2020-06-09T06:36:44Z)

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。