Fast-SDE: Efficient Single-Microphone Sound Source Distance Estimation in Reverberant Environments

Resumen Técnico: Fast-SDE

Planteamiento del Problema
La estimación de la distancia de la fuente sonora (SDE, por sus siglas en inglés) es una capacidad crítica para la interacción humano-robot, lo que influye en la fiabilidad de la adquisición del habla y la naturalidad de la interacción. Aunque los métodos existentes suelen utilizar arreglos de micrófonos para explotar las pistas entre canales (por ejemplo, diferencias de fase e intensidad), estos sistemas exigen una sincronización de hardware cuidadosa, calibración geométrica y recursos computacionales significativos. Estos requisitos limitan su despliegue en plataformas incorporadas con restricciones de tamaño y capacidad de cómputo. Por el contrario, la SDE monoaural (de un solo micrófono) sigue siendo un problema abierto desafiante porque debe inferir la distancia indirectamente a partir de patrones acústicos sutiles en entornos reverberantes, donde la acústica de la sala, la variabilidad de la fuente y el ruido oscurecen la relación entre la señal observada y la distancia de la fuente. Además, los enfoques de aprendizaje monoaurales existentes suelen depender de modelos pesados con altos costos computacionales, lo que los hace inadecuados para aplicaciones en tiempo real en dispositivos con recursos limitados.

Metodología
Los autores proponen Fast-SDE, un marco de trabajo ligero de SDE de un solo micrófono diseñado para su despliegue en plataformas con estrictas restricciones de memoria y cómputo. La innovación central reside en una columna vertebral basada en subbandas que descompone el eje de frecuencia en múltiples subbandas no superpuestas, en lugar de procesar el espectro completo con una columna vertebral amplia.

La arquitectura de la red consta de cuatro etapas principales:

1. Representación de Entrada: El modelo acepta una entrada de características de tiempo-frecuencia de tres canales derivada de la Transformada de Fourier de Tiempo Corto (STFT). Esto incluye el espectro de magnitud logarítmica y los mapas de seno/coseno del espectro de fase para preservar la información de fase evitando discontinuidades.
2. Codificador de Subbandas Compartido: El mapa de características de entrada se divide en $N$ subbandas. Un codificador compartido, construido con convoluciones 2D de puntos (pointwise) y de profundidad (depthwise) ligeras, procesa cada subbanda de forma independiente. Este diseño permite que la red capture estructuras específicas de la banda (ya que las frecuencias bajas y altas exhiben diferentes características estadísticas) mientras reutiliza parámetros en todas las subbandas para minimizar el tamaño del modelo. El codificador utiliza bloques residuales con ramas de convolución dual de profundidad para capturar estructuras temporales y espectrales complementarias a diferentes escalas.
3. Agrupación (Pooling) y Fusión de Frecuencias: Las representaciones de las subbandas se agrupan a lo largo del eje de frecuencia y se concatenan. Una capa Conv1D de $1\times1$ fusiona estos descriptores en una secuencia de características temporales unificada, permitiendo el intercambio de información entre regiones de frecuencia sin operaciones globales costosas.
4. Cabezal de Regresión: La secuencia fusionada se mapea a la distancia estimada. La variante estándar de Fast-SDE emplea una Unidad de Recurrencia Gated (GRU) para el modelado temporal, seguida de una agrupación temporal y un Perceptrón Multicapa (MLP). Una variante más ligera, UltraFast-SDE, reemplaza la GRU con un diseño puramente de alimentación hacia adelante (agrupación temporal + MLP) para escenarios con limitaciones extremas de recursos.

Contribuciones Clave

• Arquitectura Ligera: La introducción de una columna vertebral basada en subbandas que reduce la complejidad computacional y la latencia de inferencia preservando la información acústica discriminativa de la distancia.
• Eficiencia de Parámetros: El uso de un codificador compartido en las subbandas reduce significamente el número de parámetros aprendibles en comparación con el procesamiento de espectro completo.
• Despliegue en Hardware: El marco está diseñado explícitamente para y validado en hardware con recursos limitados, incluyendo microcontroladores embebidos.
• Código Abierto: Los autores han liberado el código para facilitar una investigación más amplia.

Resultados Experimentales
Los autores evaluaron Fast-SDE y UltraFast-SDE mediante extensas simulaciones y experimentos en el mundo real.

• Simulación: Los experimentos se realizaron en tres conjuntos de datos (Grupo 1, 2 y 3) generados con FRAM-RIR con una creciente diversidad de salas (1, 10 y 100 salas). Los resultados indican que el error de estimación aumenta a medida que crece la diversidad del entorno acústico, resaltando los desafíos de generalización. Sin embargo, Fast-SDE logró un Error Absoluto Medio (MAE) competitivo en comparación con los métodos de vanguardia (SELDNet y un modelo basado en Atención) utilizando significativamente menos parámetros y FLOPs.
  • Eficiencia: En una GPU NVIDIA V100, Fast-SDE logró una latencia de inferencia de 2.09 ms. Crucialmente, UltraFast-SDE se desplegó con éxito en un microcontrolador ESP32-S3-Zero (con solo 4 MB de flash y 2.5 MB de RAM), logrando una inferencia por segundo (latencia de 1018 ms), una hazaña imposible para los modelos de comparación más pesados.
• Mundo Real: Los experimentos se realizaron en un robot móvil (Vstone 4WDS ROVERX40A) en una habitación reverberante. Los modelos fueron ajustados (fine-tuned) con datos reales.
  • Desempeño: Fast-SDE logró el MAE más bajo (0.22 m) entre todos los métodos comparados en el entorno del mundo real.
  • Factores Ambientales: El estudio observó una fuerte correlación (0.77) entre el error de estimación y la diferencia de distancia entre la fuente y el micrófono respecto a la pared más cercana, lo que indica que las reflexiones de las paredes impactan significativamente el desempeño.

Significancia
El artículo afirma que Fast-SDE aborda la brecha crítica entre la necesidad de una percepción espacial precisa en la interacción humano-robot y las limitaciones de hardware de las plataformas incorporadas. Al demostrar que es posible lograr una estimación de distancia de alta precisión con un marco de trabajo ligero de un solo micrófono, este trabajo permite el despliegue de capacidades de SDE en robots de tamaño reducido y con energía limitada. La capacidad de ejecutar inferencia en tiempo real en microcontroladores de bajo costo como el ESP32-S3 sugiere una vía para integrar el procesamiento de audio espacial avanzado en una gama más amplia de sistemas robóticos asequibles. Los autores señalan que el trabajo futuro buscará extender este marco a escenarios 3D que involucren múltiples tipos de fuentes de sonido.