論文の概要: Supervised Source Separation of Electric Vehicle Interior Noise Using a Hybrid Transformer Architecture
- arxiv url: http://arxiv.org/abs/2610.32310v1
- Date: Fri, 23 Oct 2026 08:10:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.428546
- Title: Supervised Source Separation of Electric Vehicle Interior Noise Using a Hybrid Transformer Architecture
- Title（参考訳）: ハイブリッド変圧器アーキテクチャを用いた電気自動車内騒音の音源分離
- Abstract要約: この研究は、この分解を4つの目標ソースコントリビューションを持つ教師付きソース分離問題として定式化する。
コンディショニングは、電気駆動速度、電気駆動負荷、車両速度、補助駆動速度などの運転状態情報の形態で導入される。
合成車内音と測定車内音の両方の検証は、達成された分離性能をプローブする。
- 参考スコア（独自算出の注目度）: 2.0049131811804144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The interior sound of an electric vehicle is a superposition of several distinct noise contributions - wind noise, tire noise, powertrain (electric drive unit and inverter) noise, and auxiliary-drive noise - whose relative balance governs both the overall loudness and the perceived sound quality in the vehicle interior. Decomposing a recorded vehicle interior signal into these source contributions is a prerequisite for targeted acoustic engineering, but requires effortful measurement campaigns as well as expertise in the field of transfer path analysis. This work formulates the decomposition as a supervised, binaural source-separation problem with four target source contributions and adapts a hybrid time-spectrogram transformer architecture, originally developed for music demixing, to the domain of sound source separation for technical systems. To disambiguate source contributions, conditioning is introduced in the form of operating-state information, including electric drive speed, electric drive load, vehicle speed, and auxiliary-drive speed. Since isolated real-world reference stems are costly to obtain, the model is trained on a physics-based parametric data generator that synthesizes labeled component sounds from randomized virtual-vehicle hardware configurations and driving scenarios, so that the ground-truth contribution of each source is known by construction. Validation on both synthetic and measured vehicle interior sounds probes the achieved separation performance and underscores the feasibility of applying the proposed method for acoustic contribution analysis in technical systems.
- Abstract（参考訳）: 電気自動車の内部音は、風音、タイヤノイズ、パワートレイン(電動駆動ユニットとインバータ)ノイズ、補助駆動ノイズといったいくつかの異なるノイズの重畳であり、その相対的バランスは車室内の全体音量と知覚音質の両方を支配している。
記録された車内信号をこれらの音源に分解することは、ターゲット音響工学の前提条件であるが、伝達経路解析の分野における専門知識だけでなく、厳密な計測キャンペーンも必要である。
本研究は、4つの音源を対象とする教師付きバイノーラル音源分離問題として分解を定式化し、もともと音楽デミックスのために開発されたハイブリッド時間スペクトル変換器アーキテクチャを技術系の音源分離領域に適用する。
ソースコントリビューションを曖昧にするために、コンディショニングは、電気駆動速度、電気駆動負荷、車両速度、補助駆動速度などの運転状態情報という形で導入される。
分離された実世界の参照ステムはコストがかかるため、このモデルは、ランダム化された仮想車載ハードウェア構成と駆動シナリオからラベル付きコンポーネント音を合成する物理ベースのパラメトリックデータジェネレータで訓練される。
合成車内音と測定車内音の両方の検証は、得られた分離性能を調査し、提案手法を技術システムに応用する可能性を示している。
関連論文リスト
- A Hybrid Neural-Assisted Unscented Kalman Filter for Unmanned Ground Vehicle Navigation [5.5217350574838875]
本稿では,古典的状態推定基盤を現代的なディープラーニングアプローチでブリッジするハイブリッド推定フレームワークを提案する。
シミュレーションデータにのみトレーニングを施したsim2realアプローチを提案する。
適応モデルベースのアプローチと比較して、3つのデータセットで12.7%のポジション改善を実証する。
論文 参考訳（メタデータ） (2026-03-12T08:20:26Z) - Analysis-Driven Procedural Generation of an Engine Sound Dataset with Embedded Control Annotations [0.45835414225547183]
計算エンジンの音響モデリングは、自動車オーディオ産業の中心である。
これらのアプリケーションは、タイムアラインなオペレーティングシステムアノテーションを備えた、大量の標準化されたクリーンなオーディオ記録を必要とする。
サンプル精度制御アノテーションを用いてエンジン音声を生成するための分析駆動フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-08T11:05:10Z) - RTNinja: a generalized machine learning framework for analyzing random telegraph noise signals in nanoelectronic devices [0.0]
RTNinjaは、ランダムな電信ノイズ信号の教師なし分析のための、完全に自動化された機械学習フレームワークである。
評価のために,広帯域信号対雑音比と音源の複雑さにまたがるラベル付きデータセットを生成するモンテカルロシミュレータを開発した。
この結果から,RTNinjaは無作為な電信ノイズ評価のための堅牢でスケーラブルでデバイスに依存しないツールであることがわかった。
論文 参考訳（メタデータ） (2025-07-11T09:09:01Z) - A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。
提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
論文 参考訳（メタデータ） (2025-06-16T15:38:39Z) - Neural Acoustic Context Field: Rendering Realistic Room Impulse Response
With Neural Fields [61.07542274267568]
このレターでは、音声シーンをパラメータ化するためのNACFと呼ばれる新しいニューラルネットワークコンテキストフィールドアプローチを提案する。
RIRのユニークな性質により、時間相関モジュールとマルチスケールエネルギー崩壊基準を設計する。
実験の結果,NACFは既存のフィールドベース手法よりも顕著なマージンで優れていた。
論文 参考訳（メタデータ） (2023-09-27T19:50:50Z) - ASiT: Local-Global Audio Spectrogram vIsion Transformer for Event
Classification [42.95038619688867]
ASiTは、グループマスク付きモデル学習と自己蒸留を用いて、局所的およびグローバルな文脈情報をキャプチャする、新しい自己教師型学習フレームワークである。
我々は、音声イベント分類、キーワードスポッティング、話者識別を含む音声および音声の分類タスクにおいて、事前訓練されたモデルを評価する。
論文 参考訳（メタデータ） (2022-11-23T18:21:09Z) - End-to-End Binaural Speech Synthesis [71.1869877389535]
本稿では,低ビットレート音声システムと強力なデコーダを組み合わせたエンドツーエンド音声合成システムを提案する。
実感的な聴覚シーンを作るために必要な環境効果を捉える上で, 対人的損失がもたらす効果を実証する。
論文 参考訳（メタデータ） (2022-07-08T05:18:36Z) - Bayesian NVH metamodels to assess interior cabin noise using measurement
databases [0.0]
本研究では,空力やローリングノイズなどのブロードバンドノイズに対するグローバルなNVHメタモデリング手法を提案する。
ブートストラップとガウス基底関数を持つ一般化加法モデル(GAM)を用いて、予測変数に対する音圧レベル(SPL)の依存性をモデル化する。
確率モデリングは、オープンソースのライブラリPyMC3を用いて行われる。
論文 参考訳（メタデータ） (2022-06-12T19:48:24Z) - Adaptive Multi-View ICA: Estimation of noise levels for optimal
inference [65.94843987207445]
Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。
AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。
実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
論文 参考訳（メタデータ） (2021-02-22T13:10:12Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳（メタデータ） (2020-10-12T16:50:22Z)
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。