⚡ electrical engineering

Multi-Source Position and Direction-of-Arrival Estimation Based on Euclidean Distance Matrices

本文提出了一种基于欧几里得距离矩阵及其格拉姆矩阵特征值的新方法，仅需优化单变量或无需连续变量优化即可实现多声源定位与波达方向估计，实验表明其在噪声和混响环境下比传统的波束形成法具有更高的精度和更低的计算成本。

原作者： Klaus Brümann, Simon Doclo

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Klaus Brümann, Simon Doclo

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文提出了一种**“听音辨位”的新方法**，用来在嘈杂、有回声的房间里，精准地找出多个说话人的位置（三维坐标）或他们说话的方向。

为了让你轻松理解，我们可以把这项技术想象成**“侦探破案”**的过程。

1. 老方法 vs. 新方法：大海捞针 vs. 逻辑推理

传统的“老方法”（SRP 法）：大海捞针
想象一下，你蒙着眼睛站在一个巨大的房间里，想找出两个说话的人在哪里。

做法：传统的算法（SRP）就像是一个不知疲倦的侦探，他必须把整个房间切成无数个小格子（比如把房间切成几百万个小方块）。然后，他必须逐个格子去“听”，计算如果人站在这个格子里，声音传到各个麦克风会是什么样。
缺点：这就像在沙滩上找一根针。如果房间很大，或者你想找得很准（格子切得很细），他就要计算几百万次，非常慢，而且容易因为回声（噪音）看花眼，找错地方。

论文提出的“新方法”（EDM 法）：逻辑推理
这篇论文提出的新方法，不再盲目地扫描整个房间，而是像一位高明的逻辑推理大师。

核心道具：它手里拿着一张特殊的“距离关系网”（数学上叫欧几里得距离矩阵，简称 EDM）。
做法：
1. 它先不关心人具体在哪，而是先算出声音从麦克风 A 传到麦克风 B 的时间差（TDOA）。这就像侦探先记下：“声音先到左耳，后到右耳，晚了 0.01 秒”。
2. 它利用这些时间差，构建一个数学模型。这个模型有一个神奇的特性：只有当距离假设正确时，所有的距离关系才能完美拼合在一起，形成一个完美的几何形状。
3. 如果假设错了（比如猜人站错了地方），这个几何形状就会“崩塌”或“变形”，数学上会显示出很多“不协调的杂音”（特征值异常）。
4. 算法的任务就是：只调整一个变量（即“人离参考麦克风有多远”），直到这个几何形状变得最完美、最“平滑”。

2. 核心比喻：拼图与“完美几何”

想象你在玩一个3D 拼图游戏：

麦克风是拼图板上的几个固定点。
说话的人是你要拼上去的一块拼图。
时间差告诉你这块拼图离板子有多远。

老方法是：不管拼图离板子多远，你都把拼图在板子上方飞来飞去，试每一个位置，看哪里最像。
新方法是：你手里只有一根绳子（代表距离）。你只需要拉长或缩短这根绳子，直到拼图上的所有点都能和板子上的点完美对应，没有任何扭曲。一旦绳子长度对了，拼图的位置自然就出来了！

3. 为什么这个方法更厉害？

论文通过实验证明，在有两个说话人、房间有回声且嘈杂的情况下：

更准（Accuracy）：
- 老方法在人多、回声多时容易“晕头转向”，把两个说话人搞混，或者把位置算偏几十厘米甚至几米。
- 新方法就像有了“透视眼”，能精准地把两个说话人区分开，误差通常只有几厘米（位置估计）或几度（方向估计）。
更快（Speed）：
- 虽然新方法需要尝试很多种“时间差”的组合（有点像试钥匙），但它不需要在三维空间里到处乱跑。
- 它只需要在一个维度（距离）上找最优解。
- 结果：在同样的电脑上，新方法算一次只需要1 秒多，而老方法可能需要几分钟甚至一小时（论文数据显示快了 380 倍和 23 倍）。

4. 两个具体场景

场景一：找位置（比如机器人找说话人）
- 麦克风散落在房间各处（像撒了一地的豆子）。
- 新方法通过计算距离，直接算出说话人的三维坐标（x, y, z），不需要像老方法那样在房间里“地毯式搜索”。
场景二：找方向（比如视频会议自动聚焦说话人）
- 麦克风挤在一起（像一个小方块）。
- 这时候不需要知道人具体在哪，只需要知道人朝哪个方向。
- 新方法通过一种特殊的数学技巧（降秩），直接算出方向，完全不需要进行复杂的连续变量优化，直接“秒杀”方向问题。

总结

这篇论文就像给声源定位技术装上了**“导航仪”。
它不再让计算机在茫茫声海中盲目搜索，而是利用距离关系的几何规律**，通过解方程的方式，直接锁定目标。

对普通人的意义：未来的智能音箱、会议系统、助听设备，在嘈杂的房间里能更聪明、更快速地听懂谁在说话，并且反应速度更快，不再卡顿。
一句话概括：用几何逻辑代替暴力搜索，让机器听音辨位既准又快。

基于欧几里得距离矩阵的多源位置与到达方向估计技术总结

1. 研究背景与问题定义

在嘈杂和混响环境中，利用麦克风阵列估计多个声源的位置（Position Estimation）或到达方向（Direction-of-Arrival, DOA）是声源跟踪、语音增强和说话人提取等应用的关键技术。

现有方法的局限性：
- SRP 方法（转向响应功率）：目前主流的单步方法（如 SRP-PHAT）需要联合优化多个连续变量（3D 位置需优化 3 个变量，DOA 需优化 2 个变量）。为了获得高精度，必须在高分辨率的离散网格上进行多维搜索，导致计算复杂度极高，运行时间长。
- 两步法：通常依赖预先估计的到达时间差（TDOA），但现有的多源关联和定位方法在复杂环境下（如混响、噪声）往往表现不佳，且难以处理多源 TDOA 的关联问题。
- 学习方法：虽然近年来有基于深度学习的方法，但它们通常针对特定阵列几何结构训练，缺乏对任意阵列配置的泛化能力。
本文目标：提出一种基于**欧几里得距离矩阵（EDM）及其对应格拉姆矩阵（Gram Matrix）**性质的新型多源定位和 DOA 估计方法。该方法旨在降低计算复杂度，提高在噪声和混响环境下的鲁棒性，并无需针对特定阵列重新训练模型。

2. 核心方法论

本文提出的方法分为两个主要部分：基于 EDM 的多源位置估计和多源 DOA 估计。两者均基于估计的麦克风对之间的 TDOA。

2.1 理论基础

EDM 与格拉姆矩阵：利用声源和麦克风之间的几何关系构建 EDM。通过中心化处理，EDM 可以转换为格拉姆矩阵。
秩的性质：在 $P$ 维空间（ $P \le 3$ ）中，包含 $M$ 个麦克风和 $S$ 个声源的格拉姆矩阵的秩最多为 $P$ 。这意味着该矩阵只有 $P$ 个非零特征值，其余特征值理论上应为零。
TDOA 候选集：由于实际环境中 TDOA 估计（如 GCC-PHAT）可能存在虚假峰值，方法不直接选择全局最大值，而是考虑每个麦克风对的 $C$ 个局部最大值作为候选 TDOA 估计。

2.2 多源位置估计 (3D Position Estimation)

优化变量简化：将原本需要优化的 3 个空间坐标变量（ $x, y, z$ ）转化为仅优化单个连续变量：即每个声源到参考麦克风的距离 $\alpha$ 。
成本函数构建：
- 对于每一组候选 TDOA 组合，构建包含声源距离 $\alpha$ 的 EDM 和对应的格拉姆矩阵。
- 定义成本函数 $J(\alpha, q)$ 为格拉姆矩阵中除前 $P$ 个最大特征值外的所有特征值绝对值之和。
- 原理：当 $\alpha$ 等于真实距离且 TDOA 组合正确时，格拉姆矩阵的秩恢复为 $P$ ，多余特征值为零，成本函数最小。
求解流程：
1. 对所有 $Q$ 种 TDOA 组合进行一维穷举搜索，找到使成本函数最小的最优距离 $\hat{\alpha}$ 。
2. 选取 $S$ 个最小的成本函数值对应的组合，自动完成 TDOA 候选集与声源的关联。
3. 利用特征值分解恢复相对位置矩阵。
4. 通过求解正交 Procrustes 问题，将相对位置映射到绝对坐标系，得到最终位置。

2.3 多源 DOA 估计 (DOA Estimation)

无连续变量优化：针对远场紧凑阵列，提出一种完全消除连续变量优化的方法。
秩降低技术：
- 定义一个相对坐标系，其中一个基向量与声源的 DOA 向量对齐。
- 构建秩降低的格拉姆矩阵：从原始麦克风距离的格拉姆矩阵中减去一个基于估计 TDOA 的秩 -1 矩阵。
- 在理想情况下，该秩降低矩阵的秩应为 $P-1$ （即 2 维），其余特征值应为零。
求解流程：
1. 计算不同 TDOA 组合下的秩降低格拉姆矩阵。
2. 定义成本函数 $I(q)$ 为该矩阵中除前 $P-1$ 个最大特征值外的特征值之和。
3. 选取 $S$ 个最小成本值对应的 TDOA 组合。
4. 通过特征分解和 Procrustes 映射，直接提取 DOA 向量，无需网格搜索。

3. 主要贡献

计算效率的显著提升：
- 将位置估计的优化维度从 3 维降低到 1 维（仅距离变量）。
- DOA 估计完全消除了连续变量优化，仅需在离散的 TDOA 组合中搜索。
- 实验表明，在 6 麦克风配置下，EDM 方法的运行时间比 SRP 方法快数十倍（位置估计快约 380 倍，DOA 估计快约 23 倍）。
鲁棒性与精度提升：
- 通过引入 TDOA 候选集（ $C > S$ ）和基于特征值的成本函数，有效处理了混响环境下的虚假峰值问题。
- 自动解决了多源 TDOA 的关联问题（即哪个 TDOA 属于哪个声源）。
通用性：
- 适用于任意几何形状的麦克风阵列（紧凑阵列和分布式阵列），无需重新训练模型。
- 同时支持近场（位置估计）和远场（DOA 估计）场景。

4. 实验结果

实验在模拟的混响房间（ $6m \times 6m \times 2.4m$ ）中进行，包含 2 个声源和 6 个麦克风，信噪比（SNR）20dB，混响时间 $T_{60} \approx 190ms$ 。

位置估计（分布式麦克风）：
- 精度：EDM 方法的中位定位误差显著低于 SRP 方法。例如，当声源距离阵列较远时，SRP 误差可达 200cm 以上，而 EDM 保持在个位数厘米级别。
- 稳定性：EDM 方法的误差分布（箱线图）更集中，受声源距离变化的影响较小。SRP 方法在声源靠近阵列时因波峰变窄导致精度急剧下降，而 EDM 方法表现稳定。
DOA 估计（紧凑麦克风阵列）：
- 精度：EDM 方法在所有距离下的中位 DOA 误差均低于 $4^\circ$ ，且显著优于 SRP 方法（SRP 在某些情况下误差超过 $50^\circ$ ）。
- 抗干扰性：在声源距离差异较大时，EDM 方法能更好地平衡强弱声源的估计，而 SRP 方法容易受到近场强声源的干扰。
计算复杂度：
- 虽然 EDM 方法的复杂度随麦克风数量 $M$ 和候选数 $C$ 呈组合增长（ $O(C^{M-1}M^3)$ ），但在 $M=6$ 的中等规模下，其实际运行时间远优于依赖高分辨率网格搜索的 SRP 方法（ $O(G \cdot M^2)$ ）。

5. 意义与结论

本文提出的基于欧几里得距离矩阵的多源定位方法，通过利用几何结构的代数性质（秩和特征值），成功将复杂的多维连续优化问题转化为低维或离散的组合优化问题。

技术突破：打破了传统 SRP 方法必须依赖高分辨率网格搜索的瓶颈，实现了高精度与低计算成本的平衡。
应用价值：该方法特别适用于对实时性要求高、且环境存在混响和噪声的语音交互系统、机器人听觉和智能会议系统。
未来展望：该方法生成的稳定 3D 位置或 DOA 估计值，可进一步与源跟踪算法结合，用于处理移动声源场景。

综上所述，该研究为多声源定位领域提供了一种高效、鲁棒且通用的新范式。