多声源定位新方法：结合α稳定模型与神经网络的SHAMaNS

声源定位（Sound Source Localization, SSL）作为机器听觉领域的基础任务，在增强听觉、机器人技术、自动驾驶等场景中应用广泛。现有 SSL 技术主要分为声学信号处理、数据驱动深度学习和混合方法三大类。

此前研究表明，结合随机模型与信号处理的混合方法虽有潜力，但导向向量（Steering Vectors）的稀疏测量和非高斯噪声鲁棒性问题一直是技术难点。

日本理化学研究所（RIKEN）等机构的研究团队提出了一种新型混合 SSL 技术——SHAMaNS（Sound Localization with Hybrid Alpha-stable Spatial Measure and Neural Steerer），将α稳定模型与基于神经网络的转向向量建模相结合，为解决上述挑战提供了创新方案。相关研究成果发表于预印本平台 arXiv。

多声源定位新方法：结合α稳定模型与神经网络的SHAMaNS — 图 1. 所提出算法的示意流程

研究团队基于 α 稳定分布理论（α∈(0,2)）构建了非高斯噪声下的空间测度模型。该模型将观测信号视为多个 α 稳定源的线性组合，通过唯一的空间测度向量 Υ 表征声源到达方向（DOA），对脉冲噪声和模型误差具有天然鲁棒性。当 α<2 时，模型理论上可唯一确定声源方向，为复杂噪声环境下的定位提供了数学基础。

针对导向向量测量成本高、稀疏测量导致插值精度不足的问题，团队引入了 Neural Steerer 模型。这是一种基于坐标的物理信息神经网络，通过学习少量实测 SVs 的球面谐波（Spherical Harmonics）展开系数，实现对全空间导向向量的高精度插值。该方法可突破传统插值技术（如重心插值、球面样条）在稀疏测量下的性能瓶颈，仅需 32 个随机测量点（约 5% 全量数据）即可重构接近实测精度的导向向量。

此外，SHAMaNS 通过引入加性椭圆型 α 稳定噪声分量，将神经导向器的重构误差自然纳入模型框架。同时，提出观测归一化策略：

来抑制非高斯噪声中的异常值，确保低能量声源的准确识别。

研究团队利用 SPEAR 挑战数据集和 VCTK 语音库，在多种声学场景下对 SHAMaNS 进行了系统评估。实验设置包括 6 通道麦克风阵列、1.7 米距离的 60 个候选声源位置，通过变化声源数量（N=1 至 6）、信噪比（SNR=0 至 20dB）和混响时间（RT60=0.123 至 0.273 秒）构建多样化测试环境。

结果显示，在单声源情况下，当使用测量或插值转向向量时，SHAMaNS的平均角度误差仅为0.98°±2.45°，与MUSIC-1和SRP-PHAT方法相当。即使在代数转向向量下，SHAMaNS仍保持了良好的性能。

在多声源场景下，SHAMaNS也展现出优势。当声源数量在2到6个之间时（这是大多数实际应用场景），SHAMaNS的定位准确率超过了基线方法。即使在只有32个随机测量的情况下，SHAMaNS也能保持合理的性能，显示出其在测量数据有限情况下良好的适应能力。

图 4. 使用角度谱的不同阈值进行声源数量分类的 ROC 曲线下面积。比较的是使用不同导向向量模型的不同定位方法。图 5. 不同定位方法和导向向量模型的准确率（角度误差小于 15 度为成功）。RT60=0.123 毫秒，SNR=20 分贝。使用参考导向向量（SV=Ref.）的性能以透明背景显示。

SHAMaNS 通过将 α 稳定理论的噪声鲁棒性与神经导向器的插值灵活性相结合，为复杂声学环境下的多声源定位提供了新的解决思路。该技术已开源（代码地址：https://github.com/chutlhu/shamans）。未来，团队计划拓展技术至三维空间定位，并探索其与声源分离的联合应用。

论文信息：Di Carlo D, Fontaine M, Nugraha A A, et al. SHAMaNS: Sound Localization with Hybrid Alpha-Stable Spatial Measure and Neural Steerer [J]. arXiv preprint arXiv:2506.18954, 2025.