RTISSLAM: In-air Imaging Sonar SLAM using a Robust Pose Graph and Occupancy Grid Mapping
作者: Jan Steckel
分类: cs.RO
发布日期: 2026-10-13
💡 一句话要点
提出RTISSLAM以解决室内声纳SLAM中的反射干扰问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 声纳SLAM 姿态图 占用网格 回环闭合 声学里程计 室内导航 移动机器人 低能见度环境
📋 核心要点
- 现有的声纳SLAM方法在室内环境中容易受到镜面反射的干扰，导致地图构建不准确。
- RTISSLAM结合了稳健的姿态图和占用网格，利用声学里程计和能量图进行回环闭合和在线校准。
- 在模拟实验中，RTISSLAM显著降低了轮子里程计的轨迹误差，表现优于传统激光雷达方法。
📝 摘要（中文）
声纳是移动机器人构建地图的早期传感器之一，而在黑暗、烟雾、灰尘和玻璃旁边，空气声纳依然有效。然而，传统声纳SLAM依赖几何特征或稀疏范围读数构建的占用网格，容易受到室内声纳中占主导地位的镜面反射的影响。本文提出RTISSLAM，这是一种新型的声纳SLAM系统，结合了BatSLAM 2.0的稳健姿态图作为后端和占用网格作为地图。通过延迟乘法和求和波束形成的能量图与范围内的CFAR作为位置描述符，进行序列验证的回环闭合，声学里程计在线校准轮子里程计，识别的重访以度量方式注册，网格按关键帧存储并锚定到姿态图节点，从而在每次回环闭合时跟随。实验结果表明，在具有镜面墙的模拟环境中，RTISSLAM将轮子里程计的轨迹误差从8.2米降低到0.31米，而在相同声纳数据上，基于激光雷达的网格SLAM则失败。
🔬 方法详解
问题定义：本文旨在解决传统声纳SLAM在室内环境中由于镜面反射导致的地图构建不准确的问题。现有方法依赖几何特征或稀疏范围读数，难以处理复杂的反射情况。
核心思路：RTISSLAM通过结合稳健的姿态图和占用网格，利用声学里程计和能量图作为位置描述符，增强了回环闭合的可靠性，并在线校准轮子里程计，以提高整体定位精度。
技术框架：RTISSLAM的整体架构包括多个模块：首先，通过延迟乘法和求和波束形成生成能量图；其次，使用范围内的CFAR进行位置描述；然后，进行序列验证的回环闭合；最后，网格按关键帧存储并与姿态图节点锚定。
关键创新：RTISSLAM的主要创新在于其结合了声学里程计和稳健的姿态图，能够有效处理镜面反射带来的挑战，与传统的基于几何特征的方法相比，显著提高了室内声纳SLAM的性能。
关键设计：在设计中，能量图的生成采用了延迟乘法和求和波束形成技术，CFAR用于增强位置描述符的可靠性，回环闭合的实现依赖于序列验证机制，确保了重访的准确注册。
🖼️ 关键图片
📊 实验亮点
实验结果显示，RTISSLAM在具有镜面墙的模拟环境中，将轮子里程计的轨迹误差从8.2米降低至0.31米，表现出显著的性能提升，而在相同条件下，基于激光雷达的网格SLAM则无法成功执行。
🎯 应用场景
RTISSLAM的研究成果具有广泛的应用潜力，尤其是在复杂室内环境中的移动机器人导航、无人机飞行和救援任务等领域。其在低能见度条件下的有效性使其在灾后救援、工业检测等场景中具有重要的实际价值。
📄 摘要（原文）
Sonar was one of the first sensors with which mobile robots built maps, and in-air sonar keeps working where cameras and lidar fail, in darkness, smoke, dust and next to glass. Classical sonar SLAM, however, relied on geometric features or occupancy grids built from sparse range readings, and both struggle with the specular reflections that dominate indoor sonar. In this letter, we introduce RTISSLAM, a novel sonar-only SLAM system for an embedded 3D imaging sonar, which combines the robust pose graph of BatSLAM 2.0 as back-end with an occupancy grid as map. Energyscapes from delay-multiply-and-sum beamforming with a range-wise CFAR serve as place descriptors for sequence-verified loop closures, acoustic odometry calibrates the wheel odometry online, recognized revisits are registered metrically, and the grid is stored per keyframe and anchored to the pose-graph nodes, so that it follows every loop closure. In simulated worlds with specular walls, RTISSLAM reduces the trajectory error of the wheel odometry from \SI{8.2}{\meter} to \SI{0.31}{\meter} in an office, while lidar-style grid SLAM on the same sonar data fails.