Distributed networks of acoustic sensor arrays

Wireless Acoustic Sensor Networks (WASNs) represent a significant advancement in acoustic signal processing. Rather than relying on a single, fixed microphone array, WASNs employ multiple spatially distributed acoustic sensor units, to collaboratively capture, process and interpret sound fields. Each unit is equipped with dedicated microphones, processing components, and communication modules. Compared to traditional arrays, WASNs offer enhanced spatial diversity, greater scalability, and improved resilience to individual node failures. They also enable the integration of heterogeneous devices, from classical microphone arrays to smartphones, wearable devices, and IoT nodes. This allows WASNs to be used in a variety of applications such as teleconferencing, surveillance, environmental monitoring, industrial diagnostics and home automation. Recent advancements in sensor miniaturization and low-power electronics have led to affordable WASNs comprising, battery-operated, low-cost acoustic sensor units. Deployed in large numbers, these units significantly increase spatial coverage and enable advanced acoustic processing in scenarios once considered infeasible. Although each low-cost node has limited sensing and computing capabilities, large-scale deployment and cooperative operation can match or even exceed the performance of smaller networks with high-end microphone arrays. Despite these advantages, deploying numerous low-cost acoustic sensor units also presents challenges. Restricted on-board computing power mandates efficient algorithms, limited communication bandwidths necessitate compact data exchange, and variability in sensor quality or network topology can undermine reliability and accuracy. To fully realize the potential of these low-cost WASNs, robust, adaptable, and computationally efficient methods must be developed, ensuring scalability, resilience, and broad applicability. This thesis addresses these challenges by introducing four novel acoustic signal processing methods tailored to resource-constrained WASNs, spanning both individual sensor unit and network-wide domains. At the sensor unit level, a computationally efficient approach for two-dimensional source localization is introduced, leveraging sound-intensity (SI) measurements to derive robust direction of arrival (DoA) estimates. Moving to network-level processing, the thesis proposes a two-stage spatial filtering framework designed for clusters of acoustic sensor units. In this approach, each unit first applies local spatial filtering to its own signals before a centralized node fuses their outputs, further enhancing the target sound source while suppressing noise and interference. To enable more flexible sensor placements and broaden the range of applications, this framework is then extended to accommodate networks of spatially distributed acoustic sensor units. Finally, a fully distributed three-dimensional localization approach is developed, eliminating the need for centralized fusion and leveraging cooperative strategies for acoustic parameter estimation. Although each of these four contributions focuses on distinct technical aspects, they collectively illustrate how local processing capabilities can be combined with coordinated, network-wide strategies to overcome the unique challenges of large-scale, cost-effective acoustic sensing. The first contribution focuses on the estimation of the DoA, i.e., the angle from which a sound source reaches an acoustic array, as this is a fundamental building block in many audio processing tasks. Existing DoA methods often rely on computationally demanding searches or exhibit sensitivity to array geometry and reverberation. To address these drawbacks, we propose a technique grounded in SI measurements, which indicate the direction of acoustic energy flow. This approach yields robust, closed-form DoA estimates without iterative searches or dense angular grids and supports flexible centro-symmetric arrays (CSA) configurations that accommodate various form factors of acoustic units and allow any number of sensors to be added to improve robustness to noise. The second contribution targets network-level spatial filtering (beamforming), a technique for enhancing a target signal while attenuating unwanted noise and interference. Here, a two-stage method is presented for networks of acoustic sensor units operating in the far-field of a sound source, where the distance to the source is significantly greater than the spacing between sensor units. In the first stage, each sensor unit applies a local spatial filter using its own acoustic measurements and local DoA estimates. In the second stage, a centralized fusion node integrates and refines these partially processed signals, further improving the desired signal while mitigating unwanted noise. This hierarchical approach not only leverages spatial diversity but also lowers communication overhead by transmitting filtered data instead of raw sensor outputs. Building on the two-stage beamforming approach, the third contribution extends the framework to scenarios where acoustic sensor units are widely spaced in the environment, rather than confined to regions where far-field assumptions strictly apply. This adaptation enhances both local spatial filtering and second-stage filtering to accommodate the broader distribution of sensor units and account for differences in the perceived DoA at each unit. It thereby preserves the advantages of hierarchical beamforming, such as reduced communication load and parallelizable processing, while offering greater flexibility for large-scale or dispersed sensor deployments. The last contribution transitions from centralized to fully distributed paradigms for three-dimensional sound source localization (SSL), eliminating the need for a dedicated fusion center. By framing 3D SSL as a distributed optimization problem, the networked sensing units collaborate via diffusion-based strategies. These strategies employ an iterative process where each node refines its estimates by integrating local sensor observations with partial information exchanged with neighboring nodes. The proposed method works directly with two-dimensional DoA measurements coming from local arrays, thus utilizing the previously developed efficient DoA estimation. Through adaptive learning strategies, the network identifies unreliable units that affect the localization accuracy and downweights them. The system naturally adapts to slow-moving sources and is robust to sensor variations and changing environmental conditions. In summary, this thesis advances the state of the art in low-cost WASNs by introducing strategies that range from local parameter estimation to hierarchical beamforming and fully distributed source localization. By balancing computation, communication, and cooperation, these methods deliver scalable, high-performance solutions tailored to low-cost, low-power networks. These contributions not only address the current challenges in the field, but also lay the groundwork for future research to ensure that WASNs evolves in increasingly complex and resource-constrained environments.

Le reti di sensori acustici wireless (WASN) rappresentano uno sviluppo significativo nell'elaborazione del segnale acustico. Anziché basarsi su un singolo array di microfoni fisso, le WASN impiegano più unità di sensori acustici distribuite spazialmente per acquisire, elaborare e interpretare in modo collaborativo i campi sonori. Ogni unità è dotata di microfoni dedicati, componenti di elaborazione e moduli di comunicazione. Rispetto agli array tradizionali, le WASN offrono una maggiore diversità spaziale, una maggiore scalabilità e una maggiore resilienza ai guasti dei singoli nodi. Consentono inoltre l'integrazione di dispositivi eterogenei, dai classici array di microfoni agli smartphone, ai dispositivi indossabili e ai nodi IoT. Ciò consente l'utilizzo delle WASN in una varietà di applicazioni come teleconferenze, sorveglianza, monitoraggio ambientale, diagnostica industriale e domotica. I recenti progressi nella miniaturizzazione dei sensori e nell'elettronica a basso consumo hanno portato alla realizzazione di WASN accessibili, composte da unità di sensori acustici a basso costo e alimentate a batteria. Distribuite in grandi quantità, queste unità aumentano significativamente la copertura spaziale e consentono un'elaborazione acustica avanzata in scenari un tempo considerati irrealizzabili. Sebbene ogni nodo a basso costo abbia capacità di rilevamento e di calcolo limitate, l'implementazione su larga scala e il funzionamento cooperativo possono eguagliare o addirittura superare le prestazioni di reti più piccole dotate di array di microfoni di fascia alta. Nonostante questi vantaggi, l'implementazione di numerose unità acustiche a basso costo presenta anche delle sfide. La limitata potenza di calcolo integrata richiede algoritmi efficienti, le limitate larghezze di banda di comunicazione richiedono uno scambio di dati compatto e la variabilità nella qualità dei sensori o nella topologia di rete può comprometterne l'affidabilità e la precisione. Per sfruttare appieno il potenziale di queste WASN a basso costo, è necessario sviluppare metodi robusti, adattabili e computazionalmente efficienti, che garantiscano scalabilità, resilienza e ampia applicabilità. Questa tesi affronta queste sfide introducendo quattro nuovi metodi di elaborazione del segnale acustico, studiati appositamente per WASN con risorse limitate, che coprono sia le singole unità che la loro integrazione in reti. A livello di unità acustica, viene introdotto un approccio computazionalmente efficiente per la localizzazione bidimensionale di sorgenti sonore, sfruttando misure dell'intensità sonora (SI) per derivare stime affidabili della direzione di arrivo (DoA) della sorgente. Passando all'elaborazione a livello di rete, la tesi propone un framework di filtraggio spaziale a due stadi progettato per cluster di unità acustiche. In questo approccio, ciascuna unità applica innanzitutto un filtraggio spaziale locale ai propri segnali prima che un nodo centralizzato fonda i segnali in uscita di tutte le unità, migliorando ulteriormente il segnale della sorgente sonora target e sopprimendo al contempo rumore e interferenze. Per consentire un posizionamento più flessibile dei sensori e ampliare la gamma di applicazioni, questo framework viene poi esteso per supportare reti di unità acustiche distribuite spazialmente. Infine, viene sviluppato un approccio di localizzazione tridimensionale completamente distribuito, eliminando la necessità di fusione centralizzata e sfruttando strategie cooperative per la stima dei parametri acustici. Sebbene ciascuno di questi quattro contributi si concentri su aspetti tecnici distinti, nel loro insieme illustrano come le capacità di elaborazione locale possano essere combinate con strategie coordinate a livello di rete per superare le sfide specifiche del rilevamento acustico su larga scala ed economicamente vantaggioso. Il primo contributo si concentra sulla stima del DoA, ovvero l'angolo da cui una sorgente sonora raggiunge un array acustico, poiché questo è un elemento fondamentale in molte attività di elaborazione audio. I metodi per la stima della DoA esistenti spesso si basano su ricerche computazionalmente impegnative o mostrano sensibilità alla geometria dell'array e al riverbero. Per affrontare questi inconvenienti, proponiamo una tecnica basata su misurazioni SI, che indicano la direzione del flusso di energia acustica. Questo approccio produce stime DoA robuste e in forma chiusa, senza ricerche iterative o l'utilizzo di griglie angolari dense, e supporta configurazioni flessibili di array centro-simmetrici (CSA) che si adattano a vari fattori di forma delle unità acustiche e consentono l'aggiunta di un numero qualsiasi di sensori per migliorare la robustezza al rumore. Il secondo contributo è dedicato al filtraggio spaziale a livello di rete (beamforming), una tecnica che consente di migliorare un segnale target attenuando al contempo rumore e interferenze indesiderati. In questo lavoro, viene presentato un metodo a due stadi per reti di sensori acustici operanti nel campo lontano di una sorgente sonora, dove la distanza dalla sorgente è significativamente maggiore della spaziatura tra i sensori. Nella prima fase, ciascun sensore applica un filtro spaziale locale utilizzando le proprie misurazioni acustiche e le stime locali del DoA. Nella seconda fase, un nodo di fusione centralizzato integra e affina questi segnali parzialmente elaborati, migliorando ulteriormente il segnale desiderato e mitigando il rumore indesiderato. Questo approccio gerarchico non solo sfrutta la diversità spaziale, ma riduce anche il sovraccarico di comunicazione trasmettendo dati filtrati anziché i dati grezzi dei sensori. Basandosi sull'approccio del beamforming a due stadi, il terzo contributo estende il framework a scenari in cui i sensori acustici sono dispersi nell'ambiente, anziché confinati in regioni in cui si applicano rigorosamente le ipotesi di campo lontano. Questo adattamento migliora sia il filtraggio spaziale locale che quello di secondo stadio per adattarsi all'ampia distribuzione spaziale delle unità acustiche e tenere conto delle differenze nella DoA percepita in ciascuna unità. Mantiene quindi i vantaggi del beamforming gerarchico, come la riduzione del carico di comunicazione e l'elaborazione parallelizzabile, offrendo al contempo una maggiore flessibilità per installazioni di sensori su larga scala o distribuite. L'ultimo contributo passa da paradigmi centralizzati a paradigmi completamente distribuiti per la localizzazione tridimensionale della sorgente sonora (SSL), eliminando la necessità di un processore centralizzato dedicato. Descrivendo il problema di localizzazione in 3D come un problema di ottimizzazione distribuita, le unità acustiche collaborano tramite strategie basate sulla diffusione di informazioni. Queste strategie impiegano un processo iterativo in cui ogni nodo affina le proprie stime integrando le osservazioni dei sensori locali con informazioni parziali scambiate con i nodi vicini. Il metodo proposto lavora direttamente con misurazioni DoA bidimensionali provenienti da array locali, utilizzando così la stima DoA efficiente precedentemente sviluppata. Attraverso strategie di apprendimento adattivo, la rete identifica le unità inaffidabili che influenzano l'accuratezza della localizzazione e le riduce. Il sistema si adatta naturalmente a sorgenti lente ed è robusto alle variazioni dei sensori e alle mutevoli condizioni ambientali. In sintesi, questa tesi avanza lo stato dell'arte nelle reti WASN a basso costo introducendo strategie che vanno dalla stima locale dei parametri al beamforming gerarchico e alla localizzazione completamente distribuita delle sorgenti. Bilanciando calcolo, comunicazione e cooperazione, questi metodi offrono soluzioni scalabili e ad alte prestazioni, su misura per reti a basso costo e basso consumo energetico. Questi contributi non solo affrontano le attuali sfide del settore, ma gettano anche le basi per la ricerca futura, per garantire che le WASN si evolvano in ambienti sempre più complessi e con risorse limitate.