本文介绍使用 8 个麦克风的时间延迟到达估计法在三维空间中实现机器人对不同类型声源的实时定位，能够在 3 米范围内，3 度的精度内快速响应，以补充视觉对环境中感兴趣人或事件的本地化。

Feb, 2016

本文提出了一种使用八个麦克风阵列实现鲁棒声源定位和跟踪的方法，可在 7 米范围内实时定位和跟踪多种类型的移动声源，从而使移动机器人能够在现实环境中更自然地与人们交互。

Feb, 2016

该论文提出了一种利用未标记的音频 - 视觉数据进行物体定位的系统，使用自监督方法来实现跨模态的语音定位，其在声学车辆跟踪数据集上表现卓越并可用于光照条件不佳的车辆视觉定位。

Oct, 2019

本文介绍了一种使用增强学习来控制摄像头和麦克风位置提高音频分离质量的方法，解决了活跃的音视频源分离问题，并针对增强现实和移动机器人等场景进行了验证。

May, 2021

通过将人类的反应融入机器人中，可以显著提高机器人在人类中的可接受度和社交性。本研究探索了社交机器人中较少研究的部分，设计了一个多模态系统，通过感知环境并在突然出现大声音时展示人类自然恐惧反应，最终定位引起恐惧的声音来源。通过整合运动生成、声音检测和图像识别等模块，该研究在 NAO 机器人上实现了恐惧模块，并通过问卷调查对其性能进行了评估。该初步探索性研究提供了一个新的社交机器人视角，并可作为在机器人中建模人类内在行为和情感的起点。

Dec, 2023

本文介绍了一种基于语义分割的算法，它使用 3D 深度传感器在地面上检测倒下的人，并通过使用 SVM 分类器来实现。该算法可在配备标准笔记本电脑的移动机器人上执行，并在实际情景中显示出鲁棒性和速度。

Mar, 2017

本文提出了动态视听导航基准，介绍了融合空间特征的视听信息的体系结构，并通过强化学习方法学习了复杂环境下的稳健导航策略，研究表明，该方法在捕捉移动声源、未知声源和嘈杂环境方面具有显著的性能优势。

Nov, 2021

通过结合声音和视觉信号与物理学知识，配备了摄像头和麦克风的机器人代理，使用三维虚拟环境研究多模式物体定位。通过生成大规模的数据集和开发一套根据模仿学习，强化学习和模块化计划进行分析，为解决这一挑战迈出了第一步。

Jul, 2022

通过收集具有音频和视觉反馈的野外人类示范数据，以及相应的策略接口，本文介绍了 ManiWAV: 一种用于直接从示范中学习机器人操作策略的 “手中的耳朵” 数据采集设备，并通过四个接触丰富的操作任务展示了系统的能力。

Jun, 2024

通过使用模拟训练和自我影子技术，本文介绍了一个全栈系统，使得机器人能够通过人类数据学习运动和自主技能。

Jun, 2024