SLAM adalah singkatan dari Simultaneous Localization and Mapping (Lokalisasi dan Pemetaan Serentak). Ini memecahkan masalah "ayam dan telur". Untuk membuat peta, robot perlu mengetahui di mana posisinya. Untuk mengetahui di mana posisinya, robot membutuhkan peta. SLAM melakukan keduanya secara bersamaan. Ini adalah salah satu masalah mendasar dalam robotika mobile.

Robot tersebut bergerak melalui lingkungan yang tidak dikenal. Ia mengumpulkan data sensor: pemindaian lidar, gambar kamera, odometri roda, pembacaan IMU. Ia memperkirakan posisinya dan membangun peta secara bertahap. Saat mengunjungi kembali area yang sama, ia memperbaiki kesalahan baik pada peta maupun lintasannya. Hasilnya adalah peta yang konsisten dan jalur yang akurat.

Pendekatan SLAM

• EKF SLAM: extended Kalman filter, early method.
• FastSLAM: filter partikel, menangani penanda lokasi.
• Graph SLAM: pose dan landmark sebagai node dalam sebuah graf.
• Visual SLAM: menggunakan kamera, ORB-SLAM, LSD-SLAM.
• Lidar SLAM: menggunakan pemindaian laser, Gmapping, Cartographer.

SLAM itu sulit karena kesalahan akan menumpuk. Kesalahan kecil dalam odometri akan membesar seiring waktu. Penutupan loop mengoreksi hal ini: ketika robot mengenali tempat yang pernah dilihatnya sebelumnya, ia menutup loop dan menyesuaikan seluruh lintasan. Itulah mengapa sistem SLAM membutuhkan pengenalan tempat yang kuat. Perubahan pencahayaan atau pergeseran kursi dapat merusak pengenalan. Sistem SLAM modern sudah cukup matang untuk produk komersial. Robot penyedot debu menggunakan SLAM visual. Mobil otonom menggunakan SLAM lidar untuk pemetaan. SLAM belum sepenuhnya terpecahkan, tetapi cukup berfungsi dengan baik untuk banyak aplikasi. Tantangan yang tersisa adalah lingkungan dinamis, pemetaan jangka panjang, dan SLAM multi-robot.