Dans cet article nous abordons le problème de la détection et de localisation objets qui peuvent être à la fois vu et entendu, par exemple, les gens. Cela peut être résolu dans le cadre du regroupement des données. Nous proposons une nouvel algorithme de clustering multimodale basée sur un mélange de gaussiennes modèle, où l'une des modalités (visuelle de données) est utilisé pour de superétau le processus de regroupement. Ceci est rendu possible par la cartographie à la fois modalités dans le même espace métrique. À cette fin, nous avons pleinement exPloit les propriétés géométriques et physiques d'un audio-visuels senSOR repose sur la vision binoculaire et une audition inaurale. Nous proposons un algorithme EM qui est théoriquement tout à fait justifiée, intuitive et extrêmement efficace d'un point de vue informatique. Cette efficacité rend le implémentable méthode sur des plates-formes avancées tels que des robots humanoïdes. Nous décrivons dans les tests de détail et expéments effectués avec les données disponibles publiquement que les ensembles de rendement très des résultats intéressants.