我们谈论机器人自主性的时候，讨论的几乎都是视觉——摄像头、激光雷达、计算机视觉算法。但有一个问题很少被提及：机器人其实是“聋”的。
在工厂里，这不是问题。机器人按程序运行，不需要和人交流。但当机器人走进仓库、医院、办公室，开始和真实的人协作时，单靠“看”已经不够了。
人不会总站在摄像头正前方。嘈杂的环境、遮挡、逆光……任何一个因素都可能让视觉系统失效。而声音不一样，它绕过障碍物传播，来自四面八方，不受光线影响。
赋予机器人“听”的能力，是人机协作走向真正自然的关键一步。
在机器人上装个收音麦克风不就行了？
现实没那么简单。单个麦克风收到的是一锅“大杂烩”——人声、电机振动、空调噪音全都混在一起，根本无法区分。要让机器人真正“听懂”，需要的是一套分布式麦克风阵列，配合空间计算，才能做到两件关键的事：
- 定位（听到哪里来的）： 通过计算声音到达各麦克风的时间差，推算出说话人的三维空间坐标，引导机器人转向正确的方向。
- 隔离（听清说的什么）： 用波束成形技术，像“聚光灯”一样只聚焦目标方向的声音，同时滤掉周围所有噪声，提取干净的语音。
三层技术，构建完整的听觉感知链路
莱迪思最新白皮书《自主机器人的声学感知》，详细描述了一套将上述能力落地的完整边缘计算架构，由三层技术协同构成：
第一层：布线不再是噩梦
ADI 的 A²B® 技术用一根普通双绞线，就能同时传输高保真数字音频、供电和控制信号，支持最多32路麦克风级联。机器人头部、躯干、底盘上的麦克风，不再需要一堆复杂的线束，布线重量和复杂度大幅降低，同时保证各路音频严格同步——这是波束成形的基础。
第二层：数据直达GPU，零延迟
莱迪思FPGA 承担数据采集与传输的工作，将麦克风阵列的多通道音频打包成标准数据流，通过以太网直接送入 NVIDIA GPU，全程不经过 CPU，延迟可控、时序确定。
第三层：GPU上的实时声学计算
音频进入 NVIDIA Holoscan 流水线后，定位计算、协方差矩阵、空间三角测量全部在 GPU 上并行运行。波束成形器随即将“声学镜头”对准说话人，输出干净的语音信号——不是经过压缩或美化的音频，而是保留完整物理信息的原始 PCM 波形，可直接送入语音识别模型或 VLA/VLM 大模型。
为大模型时代做好准备
VLA（视觉-语言-动作）模型正在重新定义机器人智能的边界。但大模型的上限，取决于它能“看到”和“听到”什么。
这套声学流水线输出的不仅是音频，还有说话人的三维空间坐标，两者同步发布在 GPU 环境中，可与视觉帧、IMU 数据在同一融合层对齐。机器人由此获得真正意义上的多模态感知——它知道你在哪里，也听清楚了你说了什么。
点击立即获取完整白皮书：涵盖 FPGA 实现方案、波束成形信号链设计、GPU 流水线架构等深度内容。
