AcousticDiffusion: Semantically Conditioned Audio-Guided Diffusion Policy for Search-and-Rescue Assistance
作者: Iana Zhura, Didar Seyidov, Dmitrii Plotnikov, Hajira Amjad, Miguel Altamirano Cabrera, Dzmitry Tsetserukou
分类: cs.RO
发布日期: 2026-09-18
💡 一句话要点
提出AcousticDiffusion以解决救援机器人导航问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 音频引导 扩散策略 救援机器人 贝叶斯信念场 导航精度 语义条件 机器人技术 紧急响应
📋 核心要点
- 现有的救援机器人在视觉受限环境中难以准确导航至人类呼叫者，导致救援效率低下。
- 本文提出的AcousticDiffusion利用音频信号和语义信息，构建音频引导的扩散策略，提升导航精度。
- 实验结果显示，该方法在合成和实际环境中均显著降低了导航误差，提升了对呼叫者的接近能力。
📝 摘要（中文）
在视觉接触受限或被遮挡的环境中，救援机器人需要有效地导航至人类呼叫者。本文提出了AcousticDiffusion，一种基于语义条件的音频引导扩散策略，旨在实现人类导向的导航。该方法利用预训练的音频识别器处理音频窗口，通过语音门控和紧急感知优先级将识别结果转化为导航角色。通过整合麦克风阵列的到达方向测量，构建机器人中心的贝叶斯鸟瞰视图信念场。实验结果表明，AcousticDiffusion在合成导航验证集上实现了11.20度的平均终点方位误差，且91.78%的轨迹与呼叫者的方位误差在30度以内。该方法在ZSL-1四足机器人上在线部署，平均方位误差为64.9度，显著优于传统规划方法。
🔬 方法详解
问题定义：本文旨在解决救援机器人在视觉受限环境中导航至人类呼叫者的挑战。现有方法依赖于视觉信息，导致在复杂环境中导航性能下降。
核心思路：AcousticDiffusion通过音频信号和语义条件来引导机器人导航，利用音频识别和贝叶斯信念场来处理不确定性，从而实现更精确的定位和导航。
技术框架：该方法包括音频识别模块、贝叶斯信念场构建、机器人状态整合和扩散模型生成轨迹四个主要模块。音频识别模块负责处理音频输入，生成导航角色；贝叶斯信念场用于整合方向测量和机器人状态；扩散模型则生成最终的导航轨迹。
关键创新：该研究的创新点在于将音频信号与语义信息结合，形成了一种新的音频引导导航策略，显著提高了在不确定环境中的导航能力。
关键设计：在技术细节上，使用了预训练的音频识别器处理10.24秒的音频窗口，并通过语音门控和紧急感知优先级优化导航角色。此外，采用了自适应的贝叶斯信念场来处理机器人运动补偿和音频特征的整合。
🖼️ 关键图片
📊 实验亮点
实验结果显示，AcousticDiffusion在合成导航验证集上实现了11.20度的平均终点方位误差，91.78%的轨迹与呼叫者的方位误差在30度以内。在ZSL-1四足机器人上在线部署时，平均方位误差为64.9度，相较于传统A*和RRT算法分别降低了33.3度和25.5度，显示出显著的性能提升。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在救援和紧急响应领域。通过提高机器人在复杂环境中的导航能力，能够有效提升救援效率，减少人类生命损失。此外，该技术也可扩展至其他需要音频引导的机器人应用场景，如服务机器人和探测机器人等。
📄 摘要（原文）
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.