CartoRadar: RF-Based 3D SLAM Rivaling Vision Approaches

这是一份给完全没接触过编程和 AI 的同学看的笔记。读完你能在饭桌上 30 秒讲清这篇论文做了什么。

一句话讲什么（TL;DR）

给机器人装一颗几百块的小雷达，哪怕屋里又黑又有烟，它也能一边走一边画出准的 3D 地图，比用相机还清楚。

所以这一节是想说：这是一篇让"看不见"的机器人重新看见世界的论文。

---

这是个什么场景

想象你半夜起来上厕所，房间漆黑，你伸着手摸着墙慢慢走——你在心里默数着几步到门、几步到马桶。这其实就是机器人每天面对的难题：在看不清的环境里，一边走、一边画地图、一边记自己走到哪儿了。学术界给这件事起了个名字，叫 SLAM。

SLAM（Simultaneous Localization and Mapping，同时定位与建图）：机器人边走边画地图，同时还得知道自己在地图上的哪一格。 类比：第一次进迷宫，你边走边在脑子里画路线图，还要记住自己当前站在哪。

把场景再升级一下：消防员冲进着火的写字楼救人。走廊里全是烟，伸手不见五指；玻璃幕墙到处反光；后面跟着的机器人想帮忙搜救。可是它头上装的相机，就跟你洗澡时起雾的眼镜一样——啥都看不清。

现在主流做法有两种，但都有硬伤：

• 用相机：便宜，但怕黑、怕烟、怕玻璃（玻璃反光会让它误以为前面没东西）。
• 用激光雷达（LiDAR）：准，但一台九千美元起步，碰到玻璃还会"穿透"过去，把玻璃后面当成空气。

激光雷达（LiDAR）：用激光打出去再接回来，靠"激光跑了多久"算距离。扫地机器人头顶那个会转的小转盘，就是简易版激光雷达。

那能不能换个工具？这篇论文的答案是：用雷达。

雷达（Radio Frequency, RF / 射频）：发射电磁波出去，等回波反射回来算距离。 类比：蝙蝠用声波回声定位飞行；雷达就是把声波换成了电磁波。

雷达的好处是：电磁波穿烟、穿黑、能"看见"玻璃（对它而言玻璃就是一面普通的墙）。

但麻烦在于：过去的雷达 SLAM 只能画 2D 俯视图（像扫地机那种平面图），看不到天花板和楼梯；而且常常定位偏半米——这种精度下，机器人想"走到椅子前停下"都做不到，会直接把椅子撞翻。

所以这一节是想说：在烟雾黑暗等极端环境里，机器人需要一种新的"眼睛"——雷达，但雷达过去的精度太差了。

---

之前的人怎么做的，为什么不够好

• 相机方案：一旦遇到黑、烟、玻璃就瞎。类比：像让你蒙上眼睛走迷宫。
• 激光雷达方案：贵到 9000 美元一台，玻璃还是会让它判断错。类比：你买了一副超贵的眼镜，结果碰到玻璃门还是会撞上去。
• 以前的雷达 SLAM：只能画 2D 平面图，没法画天花板和楼梯。类比：只画了一楼的俯视图，但你想找的人在三楼。
• 再升级的雷达 SLAM：误差超过 50 厘米，做不了精细任务。类比：导航 App 给你的位置偏差半个篮球场，你想找朋友会找半天。
• 新方法用了 AI 但有"长尾误差"：大部分点很准，但偶尔有几个点错得离谱。类比：你点的外卖大部分 30 分钟到，但偶尔一单要等 3 小时——平均看还行，但你饿到不行那次刚好就是 3 小时那单。

长尾误差（long-tail error）：大多数预测都很准，少数几个错得特别离谱，画在统计图上像一条长长的尾巴。 类比：班里大部分同学考 80-90 分，但有两个偏科同学一个考 30、一个考 5，把平均分拉得很难看。

这种偶尔暴雷的预测拼成 3D 地图，地图就会扭曲变形。

所以这一节是想说：以前的方法要么瞎、要么贵、要么不够清楚、要么偶尔会出大错。

---

这篇论文的新想法

让机器人不仅说出自己的预测，还要说出自己对每个预测的"把握有多大"。 把握小的预测，在拼地图时被自动放低权重，从而避免长尾误差污染整张地图。

所以这一节是想说：这篇论文的灵魂创新就一句话——让 AI 模型学会说"我不太确定"。

---

它分几步做的（方法）

把整套方法想成做菜：先把食材（雷达信号）切好并标好"哪块新鲜哪块不太新鲜"，再按食谱（神经网络）摆盘成一道立体的 3D 房间，最后让厨房里几个灶头同时开火，菜才能热腾腾地端上桌。

整个系统对应这三大块：

1. 把雷达信号变成带有"我有多确定"标签的距离图。
2. 用这些带置信度的距离信息，拼出一张连贯的 3D 房间地图。
3. 让上面这套流程能实时运行，不是离线慢慢算。

等等，先慢一拍 — "置信度"是什么？

置信度就是"我对自己这次的回答有多大把握"。比如老师问你 1+1，你立刻说 2，把握 100%；问你 367×42，你心算半天给个数，把握可能只有 30%。后面所有聪明操作都靠这一个分数把不靠谱的预测识别出来。

下面分 5 个小节看具体怎么做。

1. 让 AI 自己说出"我对这一像素有多确定"

类比：找 16 个戴着稍微起雾眼镜的同学同时看同一张照片，问他们"那是面墙吗？"。

• 如果 16 个人答案几乎一样 → 这就是面墙没跑（信号清楚）。
• 如果 16 个人吵起来了 → 信号本身就模糊（不要太相信这个答案）。

它在干什么：

给同一张雷达原始数据加 16 份不同的随机干扰（就像加 16 副不同度数的起雾眼镜），然后让同一个 AI 模型推算 16 遍。

• 16 个结果如果接近 → 这个像素的预测可信。
• 16 个结果如果差别大 → 这个像素不可信，标记为"高不确定性"。

不确定性量化（Uncertainty Quantification, UQ）：让 AI 不光输出一个答案，还输出"我对这个答案有多大把握"。 类比：天气预报不只说"明天下雨"，而是说"明天下雨概率 70%"。

AI 模型 / 神经网络：一个内部装着大量数字的"答题机器"，你喂它一份输入（雷达信号），它给你一份输出（这个方向多远有东西）。它不需要懂物理，只是从大量例子里学到"这种输入大概对应那种输出"。 类比：班里有个同学从来不学公式，但他做题量极大，所以也能凭直觉答对——AI 就是这种同学的极端版。

方差：一组数字"分散程度"的指标——数字之间差得越多，方差越大。 类比：一个班全考 85 分，方差很小；一个班从 30 到 100 分都有，方差很大。

为什么这步聪明：

• 不需要重新训练原来的 AI（训练指 AI 通过大量例题调整内部数字让自己变聪明）。
• 不需要懂雷达物理。
• 16 次推理可以一次性打包跑完，几乎和跑 1 次一样快。

训练（training）：用大量"输入-正确答案"的例子让 AI 反复尝试，每次答错就调整一下内部的数字，直到它越来越准。 类比：你刷高考真题刷十年，每次错题对答案改思路，慢慢就刷出手感。

所以这一节是想说：让 AI 自己把模糊的雷达信号挑出来，办法简单到只是"加点噪音多跑几遍看结果稳不稳"。

2. 把房间装进一个"会答题的小盒子"

类比：

把整栋楼想成一锅看不见形状的果冻。你拿一根勺子伸进任意位置，问一个机器："我这一勺位置 (x, y, z) 有没有东西？"。机器答 0 就是空气，答 1 就是墙。

这个机器，就是一个小神经网络。

它在干什么：

用一个连续函数 f(x, y, z) → 0 到 1 之间的数字 表示整栋楼。0 = 空气，1 = 实体物体。

要查"从某个角度往这边看，第一面墙在多远处"——就沿着这条视线均匀采样很多点，挨个问机器"这里有东西吗"，第一个答案接近 1 的位置就是墙。

占据场（Occupancy Field）：把整个空间切成无穷多小格子，每格写个 0 到 1 的数字，1 是"这里有东西"，0 是"这里是空气"。 类比：果冻里每一勺位置的"实心程度"。

神经网络（Neural Network）：一个会"吃数字、吐数字"的盒子，它内部规则非常多但形式简单（一连串加减乘除）。喂给它输入 (x, y, z)，它吐出"这里有东西的概率"。 类比：一个超复杂的代数函数，但函数里的系数不是人定的，是它自己从例子里"练"出来的。

为什么这步聪明：

以前类似的做法叫 NeRF（神经辐射场），它要沿着每条视线积分（高中没学过这个，简单理解为"把视线上的每一段都加权累加"），计算量很大。

这篇论文把"积分"改成了"沿视线投票，谁最像第一面墙就用谁的距离"——速度快很多。

NeRF：用神经网络记录整个 3D 场景，从任意角度都能渲染出对应照片的技术。 类比：把一栋楼存进一个会答题的盒子，问它"从这个角度往这看会拍到什么"它就还原出一张照片。

所以这一节是想说：用一个小神经网络当"3D 房间存储器"，比传统方法又快又省地存下整栋楼的几何形状。

3. 让 AI 训练时自动"绕开"它没把握的点

类比：

老师批改作文时，如果学生在某段写了"我不确定但我觉得……"，老师就不严格扣分；如果学生信心满满写了一个错误结论，老师扣分要狠。

这就是这一步的逻辑：模型对自己有把握的预测，被严格要求；模型对自己没把握的预测，被宽容对待。

它在干什么：

回忆第 1 步，每个像素都有一个"我有多确定"的分数。这个分数被塞进 AI 的"考试扣分公式"里：

• 把握大的预测：错了扣很多分（必须答对）。
• 把握小的预测：错了少扣点（允许它模糊）。

这样 AI 学习时就不会被那些"长尾错误"带偏。

Loss（损失函数）：AI 的"考试扣分总和"，越小越好。AI 学习的全部目标，就是想办法把这个分降下来。 类比：高考总扣分。每个错题扣几分，加起来就是 loss。AI 的学习就是疯狂刷题，调整自己直到扣分越来越少。

梯度下降：AI 调整自己降低 loss 的方法，就像下山找最低点——每一步往最陡的下坡方向迈。 类比：你蒙着眼站在山坡上，每一步都摸"哪个方向脚下最往下倾"，迈一小步，重复几千几万步，最后基本能下到山脚。

概率分布：描述"一个不确定的量可能取哪些值、各自概率多少"的曲线。 类比：明天下雨概率分布——10% 不下、30% 小雨、40% 中雨、20% 大雨。把一个数字变成一坨可能性。

拉普拉斯分布（Laplace Distribution）：一种长得像两面斜坡的概率分布，比正态分布的"尾巴"更厚（更允许极端值）。 类比：正态分布像一座圆顶山，拉普拉斯分布像一个尖屋顶；屋顶比圆顶更陡也更窄，但底边的"尾巴"反而拖得更远。

为什么这步聪明：

不确定性必须能被塞进 loss，AI 才会真的学会区分可信和不可信的输入。否则模型只是"嘴上说不确定但行动上不当回事"。

所以这一节是想说：把"有多确定"塞进考试扣分公式里，让 AI 训练时自己学会忽略不可靠的输入。

4. 同时调整"机器人在哪儿"和"地图长什么样"

类比：

你拼乐高时，一边摆零件一边微调底座角度，比"先死死固定底座再硬塞零件"效果好。因为零件和底座是相互配合的，一起调整才协调。

它在干什么：

机器人在每一刻都有一个位姿（pose，意思是它在哪里、朝哪个方向）。地图和位姿之间是相互依赖的：

• 位姿错一点 → 两次扫描就对不齐 → 拼出来的地图扭曲。
• 地图扭曲 → 反过来又让机器人估不准自己的位姿。

这一步把两件事放到同一个学习循环里同时调，谁对了拽着谁也变对，最终一起收敛。

位姿（pose）：机器人在 3D 空间里的"位置 + 朝向"，6 个数字（前后、左右、上下、绕三个轴的旋转）。 类比：你站在房间里的坐标 + 你脸朝向哪边。

所以这一节是想说：地图和"我在哪"必须一起调，单独调任何一个都会拖累另一个。

5. 让所有事情同时跑（多进程流水线）

类比：

麦当劳后厨四个工位（炸薯条、烤汉堡肉、装包、收银）同时干活，不用前一个完全做完后一个才开始，所以五分钟出餐。

它在干什么：

把整个系统拆成 4 个独立模块，让它们各跑各的：

• A 模块：处理雷达原始信号，每 0.5 秒出一帧。
• B 模块：估计机器人是不是在动、动了多少。
• C 模块：训练神经网络更新地图和位姿。
• D 模块：检查"我是不是又走回了之前的地方"，如果是就把地图修正一下。

回环检测（Loop Closure Detection）：机器人识别"我又回到之前来过的地方了"，用来纠正长时间走路累积的偏差。 类比：你绕一大圈发现"诶这家咖啡店我刚才路过了"，立刻知道路线图早期画偏了，整体校正一下。

四个模块之间用一个"共享内存中转站"传数据，零拷贝、零等待。

为什么这步聪明：

雷达每 0.5 秒出一帧。如果是单进程串行，所有模块必须 0.5 秒内全跑完才能跟上节奏——常常超时。多进程并行后，就算训练那一步偶尔超时，也不影响别的模块继续工作，整体不卡顿。

所以这一节是想说：把 4 件事拆成 4 个独立"工位"同时干，整套系统才能真正实时跑。

---

关键数字（What works）

下面 6 个数字，每个都来自论文实验，对比的基准是相机方案（论文打败的对手）。

• 轨迹误差 14.1 厘米

  • 对比：CartoRadar 14.1 cm vs 最强相机方案 53 cm，最弱的 72 cm。
  • 生活语言：以前机器人想"走到那张椅子前"会差半米——直接撞翻椅子；现在差 14 厘米，大约一个手掌宽，可以放心做对接、绕障。

• 建图精度 7.4 厘米

  • 对比：CartoRadar 7.4 cm vs 相机方案 13.75 cm（提升 46%）。
  • 生活语言：墙的位置画得越准，机器人越不容易撞墙。

• 建图完整度 8.1 厘米

  • 对比：CartoRadar 8.1 cm vs 相机方案 28.1 cm（提升 67.6%）。
  • 生活语言：完整度衡量"地图有没有空洞"。相机视角窄（70 度左右），雷达 360 度旋转所以没死角。就像全景相机和窄视角手机各拍一张房间——全景拍到的当然多。

• 不确定性建模带来 12% 提升

  • 对比：去掉"我有多确定"这一招，accuracy 从 4.32 cm 倒退到 5.04 cm。
  • 生活语言：这是干净的因果证据——光是"让 AI 说出自己有多确定"这一招，就能换来 12% 的精度提升，不是堆数据堆出来的。

• 训练免费的不确定性，只要 16 次采样

  • 对比：CartoRadar 的方法 16 次推理 vs 教科书方法之一要 128 次（贵 8 倍）。
  • 生活语言：128 次相当于让机器人每 4 秒才出一帧，在烟雾里多跑 3.5 秒可能就撞墙了。

• 回环检测把误差降低 76%

  • 对比：开启 vs 不开启回环检测。
  • 生活语言：机器人走得久了会"飘"，识别"我又回原地了"能立刻把累计偏差纠回来。

所以这一节是想说：每一个数字都说明，CartoRadar 是真的把雷达 SLAM 推到了和相机同台 PK 还能赢的水平。

---

你应该懂的几个新词

SLAM（Simultaneous Localization and Mapping，同时定位与建图）：机器人边走边画地图、同时知道自己在地图上哪儿。

mmWave radar（毫米波雷达）：发射 77-81 GHz 电磁波、根据回波算距离的传感器。类比：电磁波版的蝙蝠回声定位。

不确定性量化（UQ）：让模型不光输出预测，还输出"我对这个预测有多大把握"。类比：天气预报说"明天下雨概率 70%"。

占据场（Occupancy Field）：用一个连续函数描述空间每一点"是不是有东西"。类比：果冻里每一勺位置的实心程度。

NeRF（Neural Radiance Field）：用神经网络记下整个 3D 场景的方法，CartoRadar 受它启发但简化了。类比：一个能从任意角度还原房间照片的"答题盒子"。

Loss（损失函数）：AI 的"考试扣分总和"，越小越好。类比：高考总扣分，AI 的目标就是想尽办法降它。

梯度下降（Gradient Descent）：AI 调整自己降低 loss 的方法。类比：蒙眼下山，每步都往最陡下坡方向迈。

位姿（Pose）：机器人在 3D 空间里的位置 + 朝向，共 6 个数字。类比：你站哪儿 + 脸朝哪边。

拉普拉斯分布（Laplace Distribution）：一种像两面斜坡的概率分布，"尾巴"比正态分布更长。类比：尖屋顶 vs 圆顶山。

回环检测（Loop Closure Detection）：识别"我回到之前来过的地方"，用来修正累积漂移。类比：发现"这家咖啡店我刚路过"，立刻校正路线图。

AMCL（自适应蒙特卡洛定位）：在已知地图上找自己位置的算法。类比：撒一把豆子代表"我可能在这"，每走一步看哪些豆子的预测和雷达观测对得上，留下那些。

长尾误差（Long-tail Error）：大多数预测准，少数错得离谱。类比：班里大部分同学考 80-90，但偶尔有人考 30。

所以这一节是想说：把这 11 个词背熟，你后面读任何 SLAM 或射频感知的论文都不会卡壳。

---

它有什么搞不定的

• 机器人最多走 0.6 米/秒（人类慢走速度）：因为雷达靠步进电机旋转，转得太快采样跟不上。用户实际会怎么样：快递无人车、自动驾驶汽车、无人机这种要 5-30 米/秒的场景直接出局。

• 下游精细任务还差点意思：用建好的地图重新定位，误差 31-35 厘米。用户实际会怎么样：能让机器人导航到大概位置，但"插钥匙到锁眼"、"对接充电桩"这种亚厘米级任务还达不到。

• 换雷达就要重训整套 AI：CartoRadar 用的 AI 是基于一种特定型号雷达的数据训练的。用户实际会怎么样：如果你买了别家的雷达，要重新花数月训练 AI 才能用 CartoRadar。

• 只测过办公楼室内、不测户外、不测人群：5 栋办公楼里没有大量动态行人。用户实际会怎么样：商场早高峰、地铁站、街道这些真实场景里能不能撑住，论文没回答。

• 回环检测过于朴素：靠"距离阈值 + 点云对齐"判断是否回环。用户实际会怎么样：如果机器人走偏太远，物理上回到原地但坐标系认为还在 50 米外，回环检测会失灵。

• 没有颜色信息：纯几何地图分不清"红色椅子"和"蓝色椅子"。用户实际会怎么样：要做"找红色椅子"这类语义任务，还得另外加个相机。

所以这一节是想说：这篇论文是个里程碑但不是终点——速度、户外、动态、语义都还有空间。

---

它和别的几篇是什么关系

• 与 mmCLIP（也是 mmWave 系列）：目标完全不同。

  • mmCLIP 关心"识别这是什么物体"（语义层）。
  • CartoRadar 关心"几何在哪里"（结构层）。
  • 两者像 Venn 图里两个相交但不重合的圆——共用底层雷达信号处理，但上层目标不同。

• 与 NLOS-mmWave（毫米波非视距成像）：任务方向正交。

  • NLOS 解决"看到拐角后面"。
  • CartoRadar 解决"完整 3D 重建"。
  • CartoRadar 的不确定性方法理论上可以搬到 NLOS 上去。

• 与 相机/视觉 SLAM：这是 CartoRadar 论文里直接打败的对手。

  • 在玻璃、低光、烟雾场景下，CartoRadar 完胜。
  • 在轻便、便宜、有颜色信息的优势下，相机仍然胜出。
  • 时间线上：CartoRadar 不是要取代相机，而是为"恶劣环境"开了一条新路。

• 与 具身 AI 大模型（比如 RT-2 那种能听话做事的机器人）：互相成就。

  • CartoRadar 提供"带置信度的 3D 地图"。
  • 大模型可以拿这个地图去做规划。
  • 因果关系：底层感知做扎实，上层 AI 才能在烟雾低光环境里发挥。

所以这一节是想说：这篇是地基类工作，影响会沿着 RF 感知 → 机器人 → 具身 AI 一路传上去。

---

我建议这样读这篇

1. 先看 Fig.1（论文第 1 页）。这张图把 CartoRadar 和 3 个相机方案的轨迹和地图直接对比——玻璃窗那块一秒看出哪个方法靠谱。看完图你才会有动力读细节。

2. 读 §1 Introduction（前两页）。这一节用大白话讲清"为什么 RF SLAM 重要、为什么以前做不出来、CartoRadar 怎么破局"。

3. 跳到 Fig.3（系统总览图）。一张总览定住所有章节关系，读后面任何一节都不会迷路。

4. 精读 §3.2"训练免费的不确定性"。这是全篇最聪明的点子。如果时间紧只读一节，就读这节。

5. 跳读 §4 SLAM 算法。第一遍只看每个公式上下文的中文解释，跳过推导——记住"它把不确定性塞进了 loss"就够了。

6. 直接看 §7 表 1 和 Fig.10。所有结论浓缩在那里，看完你能 30 秒讲清这篇论文。

所以这一节是想说：从图 → 引言 → 总览 → 灵魂创新 → 方法 → 数据。先看脸，再看心。

---

一些好奇心问答（FAQ）

Q1：这模型有多大？我家电脑跑得动吗？

• 占据场那个小神经网络很小（不到 1 MB），普通 GPU 一定跑得动。
• 但 RF 成像那块的 AI 大概几十到上百 MB，需要专业显卡。
• 论文说在 RTX 3090（一种较高端的家用显卡）上能流畅跑。

Q2：训练数据从哪来？

• 论文作者自己采集的，跑了 5 栋楼共 14 层，总长 1527 米，6637 帧雷达 + 激光雷达同步数据。
• 数据集开源，跟代码一起发布在论文项目页。

Q3：我能照着复现吗？

• 可以。这篇拿了 MobiCom 2025 Best Artifact Award，意思是"代码 + 数据 + 文档全都被评审验证可复现"。
• 项目页：waves.seas.upenn.edu/projects/cartoradar

Q4：为什么不直接用更便宜的简单方法？

• 简单方法之前都试过：纯几何方法（不用 AI）精度差太多；只用 AI 不算不确定性，长尾误差又会污染地图。
• CartoRadar 的精妙在于"用最少的代价让 AI 学会自我怀疑"。

Q5：和 ChatGPT 那种大模型有关系吗？

• 没有直接关系。这篇用的是小神经网络（几层全连接 + 几层卷积）。
• 但它产出的 3D 地图，未来可以喂给大模型当作"机器人对环境的认知"，让大模型能在烟雾低光环境里也帮机器人做决策。

Q6：为啥要 16 次而不是 1 次？

• 1 次只能给你一个答案，没法判断"这答案稳不稳"。
• 16 次相当于让 16 个戴起雾眼镜的人独立判断，结果一致 = 信号清楚，结果分歧 = 信号本身就模糊。
• 16 是论文实验出来的"性价比拐点"——再多也带来不了更多收益。

Q7：雷达比相机贵还是便宜？

• 这篇论文用的雷达 TI AWR1843 大约 $300-500。
• 同类激光雷达 $9000 起。
• 普通 RGB 相机 $20-50。
• 所以雷达介于两者之间，性能在恶劣环境下接近激光雷达，价格接近相机。

所以这一节是想说：这是一个"用消费级硬件做出工业级精度"的工作，门槛比想象低得多。

---

如果你想再深入

1. NeRF 原版论文（Mildenhall et al., 2020）：理解神经网络怎么"记住"3D 场景。CartoRadar 的占据场是 NeRF 的简化版，看懂 NeRF 你才知道作者砍掉了什么。

2. Kendall & Gal "What Uncertainties Do We Need in Bayesian Deep Learning"：不确定性量化的入门经典。CartoRadar 比较的几个 baseline 全来自这一脉。

3. CartoRadar 的"父亲"论文（Lai et al., MobiCom 2024）：CartoRadar 用的 RF 成像 AI 来自这篇。读完它你才知道 CartoRadar 是在量化什么。

4. Radarize（MobiSys 2024）：同样做 mmWave SLAM 但只能 2D，可以看出 CartoRadar 选 3D + 不确定性这条路有多激进。

5. LONER（LiDAR Only Neural Representations for Real-Time SLAM）：用 NeRF 思路做激光雷达 SLAM，和 CartoRadar 是平行兄弟（一个用激光、一个用射频），可以横向对比。

所以这一节是想说：CartoRadar 站在 NeRF + 不确定性 + RF 成像这三块巨人的肩膀上，想再往下钻就顺着这三条路走。

◼

@online{eai_rf_slam_2026,
  title       = {(readable note) CartoRadar: RF-Based 3D SLAM Rivaling Vision Approaches},
  author      = {Zhou, Jason},
  year        = {2026},
  note        = {Note on a 2023 paper},
  howpublished = {\url{https://estelledc.github.io/embodied-ai-reading-station/papers/rf-slam/}},
  organization = {Embodied AI Reading Station}
}