まばらにゲーティングされた専門家混合メカニズムに基づくハイブリッド雑音環境下での水中音響ベクトル到来方向推定

海中で隠れた信号を聴き分ける

船舶、潜水艦、水中ロボット、さらには海洋生物学者も、海中のわずかな音を聴いてその発生源の方向を推定しています。だが海は雑音に満ちています：エンジン、波、動物、そして測器自身が雑音を生み出します。本研究は、雑音が入り組み予測困難な状況でも水中音の到来方向を特定する新しい手法を示します。これは、すべてが単純かつ均一であると仮定するのではなく、異なる種類の雑音に対応することを学習する現代的な人工知能の一形態を利用したものです。

海中で方向推定が難しい理由

音源の位置を特定するために、技術者は線状に並べた水中マイクロホン（ハイドロフォン）アレイを用います。各センサに音が到達する微小な時間差を比較することで、到来方向を推定します（到来方向推定、DOA）。従来の手法は背景雑音が穏やかで均一な「ホワイトガウス雑音」のようであると仮定しますが、実際の海はそう振る舞いません。雑音は衝撃的なポップのように突発的であったり、特定の周波数にエネルギーが偏る「色付き」だったり、センサ間で不均一であったりします。このような挙動の混在をハイブリッド雑音と呼び、従来アルゴリズムの前提を崩し、特に条件が厳しいときに精度を著しく低下させます。

より賢い直線状センサ配列

研究者たちは、単純だが強力なセンサ配置に基づいています：圧力と粒子運動の両方を測るいわゆるベクトルハイドロフォンを直線上に並べた配列です。遠方の音源が波を放射すると、その波は入射角に応じて各センサにわずかに異なる時間と位相で到達します。これらの測定から、異なるセンサ間での信号の時間的関係を簡潔に示す共分散行列が構築されます。この行列は方向推定に必要な幾何学的手がかりを含みますが、環境に存在する複雑な雑音と入り混じっています。

雑音まみれのデータを学習可能なパターンへ変換する

ニューラルネットワークは通常実数を扱いますが、共分散行列は複素値です。そこでチームはこれを実部と虚部の二つの実行列に分け、二チャンネルの「画像」として畳み込みニューラルネットワーク（CNN）に入力します。このCNNは行列を走査して、真の信号構造を雑音から識別する空間パターンを見出します。手作りの数式に頼る代わりに、CNNはデータから直接これらの特徴を学習し、単純な局所関係から音源定位に有益なより高次のパターンへと段階的に構築します。

多数の専門家と一つの賢い調整役

CNNの後で行われることが鍵となります：まばらにゲーティングされた専門家混合（SMoE）ネットワークです。一つの巨大な単一モデルがすべての状況を処理するのではなく、システムは複数の小さな専門家ネットワークを含み、それぞれがホワイト、ピンク、レッド、ブルー、バイオレット、衝撃雑音といった特定の雑音タイプで優れるように訓練されます。別個のゲーティングネットワークがCNNで抽出された特徴を見て、入力ごとにどの少数の専門家が最も関連するかを決定します。上位の専門家だけが活性化され、その出力が組み合わされて0°から180°までの各角度に音源が存在する確率の最終推定が得られます。この設計により、雑音条件に応じてどの専門家に“耳を傾ける”かを変えるため適応的であり、すべての専門家を常に動かす必要がないため効率的でもあります。

過酷で現実的な条件下での検証

このシステムを訓練するために、まず各専門家が一つの雑音タイプのみを見るようなデータを生成し、専門化を可能にしました。次にゲーティングネットワークを六種類の雑音の混合で訓練し、実際のハイブリッド環境を模しました。また、シミュレーション雑音と実際に記録された水中雑音の両方を含む大規模で現実的なテストセット上でモデルを評価しました。信号強度やデータ長の幅広い条件で、既存の古典的手法や他の深層学習アプローチと比較して、SMoEモデルは一貫して誤差が小さく成功率が高かった。特に雑音が強い場合やデータ量が限られる場合に顕著でした。信号対雑音比が0 dB（信号と雑音のパワーが等しい）では、モデルは平均角誤差を1度未満に抑えられた一方、競合手法は数度の誤差を出すことがありました。

今後の水中センシングへの示唆

平たく言えば、本研究は複数の専門化したAI“リスナー”に仕事を分担させ、状況に応じてそれらを使い分けることで、雑然としたノイズ下でも水中音の到来方向を大幅に改善できることを示しています。このアプローチは単純な線形アレイ以外のセンサ配置にも適用可能であり、スマートなゲートを備えた専門家混合という考え方は、レーダー、ロボティクス、複雑な干渉下で信号の位置を特定する必要がある他分野にも役立つでしょう。航法や環境モニタリングなど、信頼できる水中リスニングに依存する応用に対して、本手法はノイズを聞き分けるためのより柔軟で頑健な手段を提供します。

引用: Xu, W., Yi, S., Gu, H. et al. Underwater acoustic vector DOA estimation in hybrid noise environments based on sparsely-gated mixture-of-experts mechanism. Sci Rep 16, 6192 (2026). https://doi.org/10.1038/s41598-026-37217-3

キーワード: 水中音響, 到来方向, ハイブリッド雑音, 深層学習, 専門家混合（mixture of experts）