In this work, we address the problem of tracking multiple acoustic sources by using an array of microphones in reverberant and noisy environments. Generally, the time difference of arrival (TDOA) measurements are obtained by the peak extraction of the Generalized Cross Correlation (GCC) function, and then used to update source states in the framework of target tracking. In adverse environments, due to the possible false alarms, the missed detections and the poor observability resulting from the unfavorable microphone-source geometry, some microphone pairs may fail to provide efficient measurements. To improve the quality of the measurements and the performance of tracking, two adaptive methods are developed to associate TDOAs across microphone pairs to obtain the position estimates which serve as the pseudo-measurements for the following filtering step. One method is based on the robust least squares, which can associate the TDOAs by assigning TDOAs with different weights adaptively and produce better position estimates. Another method is derived from the idea of microphone selection, which aims to select a subset of microphones rather than using all the microphones. Besides, we develop the multiple targets tracking method and utilize the filter states to predict the source-nearby microphone pairs to avoid the brute-force searching. Experimental results demonstrate that, by introducing the adaptive fusion of TDOAs, performance improvements can be made in both the state and the number estimation.

在这项工作中，我们通过在混响和嘈杂的环境中使用麦克风阵列解决跟踪多个声源的问题。通常，到达时间差（TDOA）测量是通过广义互相关（GCC）函数的峰值提取而获得的，然后将其用于在目标跟踪框架中更新源状态。在不利的环境中，由于可能存在的错误警报，错过的检测以及不利的麦克风源几何形状导致的可观察性差，某些麦克风对可能无法提供有效的测量。为了提高测量质量和跟踪性能，开发了两种自适应方法来关联跨麦克风对的TDOA，以获得位置估计值，该位置估计值用作后续滤波步骤的伪测量。一种方法基于稳健的最小二乘，它可以通过自适应地为TDOA分配不同的权重来关联TDOA，并产生更好的位置估计。另一种方法是从麦克风选择的思想中得出的，该方法旨在选择一个麦克风子集而不是使用所有麦克风。此外，我们开发了多目标跟踪方法，并利用滤波器​​的状态来预测源附近的麦克风对，以避免强力搜索。实验结果表明，通过引入TDOA的自适应融合，可以在状态和数量估计上进行性能改进。一种方法基于稳健的最小二乘，它可以通过自适应地为TDOA分配不同的权重来关联TDOA，并产生更好的位置估计。另一种方法是从麦克风选择的思想中得出的，该方法旨在选择一个麦克风子集而不是使用所有麦克风。此外，我们开发了多目标跟踪方法，并利用滤波器​​的状态来预测源附近的麦克风对，以避免强力搜索。实验结果表明，通过引入TDOA的自适应融合，可以在状态和数量估计上进行性能改进。一种方法基于稳健的最小二乘，它可以通过自适应地为TDOA分配不同的权重来关联TDOA，并产生更好的位置估计。另一种方法是从麦克风选择的思想中得出的，该方法旨在选择一个麦克风子集而不是使用所有麦克风。此外，我们开发了多目标跟踪方法，并利用滤波器​​的状态来预测源附近的麦克风对，以避免强力搜索。实验结果表明，通过引入TDOA的自适应融合，可以在状态和数量估计上进行性能改进。另一种方法是从麦克风选择的思想中得出的，该方法旨在选择一个麦克风子集而不是使用所有麦克风。此外，我们开发了多目标跟踪方法，并利用滤波器​​的状态来预测源附近的麦克风对，以避免强力搜索。实验结果表明，通过引入TDOA的自适应融合，可以在状态和数量估计上进行性能改进。另一种方法是从麦克风选择的思想中得出的，该方法旨在选择一个麦克风子集而不是使用所有麦克风。此外，我们开发了多目标跟踪方法，并利用滤波器​​的状态来预测源附近的麦克风对，以避免强力搜索。实验结果表明，通过引入TDOA的自适应融合，可以在状态和数量估计上进行性能改进。