**OmniEcho：面向具身智能体的空间音频理解与导航**

_OmniEcho: Spatial Audio Understanding for Embodied Agents_

> 研究提出 OmniEchoBench，一个统一的空间音视频感知与音视觉语言导航基准，涵盖来自 30 个真实环境的 197 个空间音视频场景、2972 组问答对和 900 个一阶 Ambisonics（FOA）音频导航样本，共六项任务。团队同时构建了保持声源、视觉观测与智能体轨迹几何一致的可控空间音频渲染管线，用于可扩展的训练监督，并提出空间感知全模态模型 OmniEcho，引入 FOA 空间编码器与预训练语义音频通路。实验显示 OmniEcho 在空间音视频感知上达到最优表现，在声音引导导航中接近传统视觉语言导航水平，表明空间音频可作为具身场景推理与导航的有效信号，而细粒度空间定位与距离估计仍是重要开放难题。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-25 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.23407)