声呐 (Sonar)

声呐（Sound Navigation and Ranging）通过发射声波脉冲并计时回波来测量距离。它是LiDAR和RADAR的声学”兄弟”，出现在机器人学中两个非常不同的角落：

• 地面机器人上的超声波测距仪：便宜、短距离（几米）的换能器，返回宽波束锥内最近障碍物的距离。它们支撑了早期移动机器人学的大部分工作——20世纪80年代经典的占据栅格建图工作就是围绕超声波传感器环建立的——如今仍以泊车传感器和低成本障碍物探测器的形式存在。
• 水下声呐：在水中，相机只能看到几米远（浑浊、黑暗），而LiDAR、RADAR、GPS等电磁传感器会被强烈衰减——但声音传播得很远。因此声呐是水下机器人（AUV/ROV）首选的外感受传感器。其变体包括单波束和多波束测深仪（水深测量）、机械扫描声呐、侧扫声呐，以及产生用于水下SLAM的2D声学图像的前视成像声呐。

使声呐估计变得困难的传感特性：

定量的测量模型

距离来自飞行时间：对于回波延迟 $t$ 和声速 $c$，$r = c\,t/2$。由此直接产生两个后果。第一，$c$ 不是常数——在水中它会随温度、盐度和深度变化百分之几，因此正规的系统会携带声速剖面（sound-velocity profile）；忽略它会使每次测距都产生偏差。第二，传播很慢：在水下30米距离上，回波需要40毫秒，因此一个扫描数百个波束的扫描声呐要用数秒钟才能生成一幅完整的”图像”，而在此期间载具已经移动了——声呐SLAM存在类似旋转LiDAR的运动畸变问题，但严重两个数量级。

对于前视成像声呐，一个位于球坐标 $(r, \theta, \phi)$（距离、方位角、仰角）的3D点被成像为

$$\mathbf{z} = (r, \theta),$$

即仰角 $\phi$ 被积分掉了——在方位角 $\theta$ 处、半径为 $r$ 的仰角弧线上的每一个点都落在同一个图像像素上。与相机对比，相机测量的是 $(\theta, \phi)$（两个角度）而丢失距离：声呐和相机丢失的是互补的维度，这正是为什么光学-声学融合（相机+声呐）在水下是一种天然的组合，也是为什么从不同位姿获取的两个声呐视角能够三角化出单个视角无法确定的信息。

对于宽波束超声波测距仪，占据栅格经典的逆传感器模型忠实地捕捉了弧线歧义：一次距离为 $r$ 的回波会在波束锥内、半径 $r$ 的弧线上提高占据概率，在比 $r$ 更近的锥内部降低占据概率，而对 $r$ 以外则不做任何断言——把来自不同位姿的许多这样的软更新整合起来，正是把模糊的单次读数变成可用地图的关键，这也是概率机器人建图的奠基性范例。

由于这些歧义，声呐SLAM高度依赖概率建模：占据栅格中的宽波束测量模型、针对多路径的鲁棒异常值处理，以及用于数据关联的声呐图像声学特征提取。与本体感受传感（DVL——多普勒速度计、IMU、深度/压力传感器）融合是水下的标准做法。

常见陷阱

• 把声呐回波当作点测量——它其实是一条弧线（或一个锥形切片）；把它归约到波束轴会使地图产生偏差并破坏数据关联。应对波束宽度建模。
• 串扰与自干扰——多个换能器同时发射会互相听到对方的脉冲；环形配置必须交错发射时序。
• 镜面漏检是系统性的，不是随机的——斜入射角下的光滑墙面会稳定地没有回波；把”无回波”当作”自由空间”会在真实墙壁上凿出虚假的走廊。
• 假设声速恒定——温跃层（thermocline）会折射声学路径并改变测距值；深水作业需要声速修正。
• 忽视扫描内运动——把机械扫描声呐的一次扫描当作刚性扫描来配准会使特征模糊；应像LiDAR流水线对旋转扫描做去畸变一样，用DVL/IMU里程计做去畸变。

对SLAM的意义

水下是极少数视觉SLAM从根本上无法单独工作的领域之一，而声呐正是填补这一空白的手段——水下检测、海洋考古和AUV导航都依赖声学SLAM运行。从历史上看，声呐也是SLAM的起点：该领域奠基性的概率建图思想正是在装有声呐的机器人上发展起来的，为它们建立的宽波束测量模型至今仍影响着我们处理高度歧义传感器的方式。

相关条目

• RADAR
• LiDAR
• Exteroceptive sensor