Волновое моделирование пространственного слуха для естественного общения гуманоидных роботов представила компания Treble Technologies

Источник: The Robot Report

Волновое моделирование пространственного слуха для естественного общения гуманоидных роботов представила компания Treble Technologies, ведущий исландский разработчик физически точных акустических симуляторов. Технический манифест и архитектурные принципы внедрения синтетической пространственной акустики в антропоморфную робототехнику опубликовал сооснователь и операционный директор компании Гуннар Петур Хаукссон на страницах профильного издания The Robot Report.

Разработчики подчеркивают фундаментальную проблему современной индустрии Physical AI: подавляющее большинство гуманоидов и мобильных манипуляторов обучаются исключительно на базе визуальных камер, лидаров и тактильных датчиков, оставаясь практически «глухими» к сложной звуковой среде реального мира. Однако естественное взаимодействие человека и андроида в бытовых комнатах, офисах и заводских цехах невозможно без полноценного трехмерного пространственного слуха.

Традиционные системы автоматического распознавания речи (ASR) катастрофически теряют точность при появлении эффектов реверберации от стен, акустического рассеяния на мебели, фонового шума работающего оборудования и постоянного перемещения говорящего человека в пространстве. Более того, собственные электроприводы, кулеры охлаждения и редукторы в теле робота создают интенсивные паразитные акустические помехи, заглушающие внешние команды.

Платформа Treble решает эту проблему за счет гибридного вычислительного движка, рассчитывающего точные волновые уравнения распространения звука методами конечных элементов и разрывного метода Галеркина на низких и средних частотах в комбинации с геометрической акустикой на высоких частотах. Технология позволяет с абсолютной физической достоверностью моделировать дифракцию звуковых волн вокруг корпуса андроида, интерференцию, рассеяние и отражения звука от поверхностей сложной геометрии.

Система автоматически рассчитывает пространственные передаточные функции тела робота (Robot-Related Transfer Functions, RRTF), учитывая индивидуальную форму головы, точное расположение ушных микрофонов и свойства синтетических полимерных материалов обшивки. На основе этих данных алгоритмы активного шумоподавления отфильтровывают высокочастотный гул сервоприводов, стук шагов при ходьбе и вибрации шарниров прямо в потоке аудиоданных.

Благодаря облачной симуляции инженеры могут виртуально тестировать десятки конфигураций микрофонных решеток на голове и торсе робота, подбирать оптимальные алгоритмы адаптивного формирования диаграммы направленности (beamforming) и генерировать миллионы синтетических многоканальных аудиозаписей для обучения трансформерных нейросетей без дорогостоящих лабораторных тестов в безэховых камерах.

Интеграция пространственного звука в мультимодальные модели Vision-Language-Action (VLA) связывает визуальные координаты объектов с акустическими сигналами, позволяя андроиду мгновенно выделять голос владельца в шумной комнате (эффект вечеринки с коктейлем) и диагностировать микроповреждения механизмов по изменению спектра вибраций.

В сочетании с открытым тестовым бенчмарком Far-Field ASR (FFASR), охватывающим четырнадцать типов помещений объемом от 20 до 470 кубических метров, платформа Treble позволяет роботам точно локализовать источник звука в пространстве за миллисекунды, мгновенно поворачивать голову к собеседнику в шумной толпе и вовремя реагировать на тревожные звуковые сигналы вне зоны видимости камер — от падения предметов до аварийного скрежета подшипников станков.

Практическое применение облачной платформы Treble сокращает время комплексной инженерной разработки акустических трактов роботов с нескольких месяцев до пары недель, предоставляя разработчикам готовые программные интерфейсы API для прямой интеграции в современные среды робототехнической симуляции. Внедрение синтетического пространственного звука открывает путь к созданию по-настоящему адаптивных домашних и промышленных андроидов, способных безошибочно слышать, точно локализовать источники звука в трехмерном пространстве и понимать человека в любых акустических условиях.