SLAM står for Simultaneous Localization and Mapping. Det løser et høna-og-egget-problem. For å bygge et kart må en robot vite hvor den er. For å vite hvor den er, trenger roboten et kart. SLAM gjør begge deler samtidig. Det er et av de grunnleggende problemene innen mobil robotikk.

Roboten beveger seg gjennom et ukjent miljø. Den samler inn sensordata: lidar-skanninger, kamerabilder, hjulkilometermålinger og IMU-avlesninger. Den estimerer posisjonen sin og bygger et kart trinnvis. Etter hvert som den besøker områder på nytt, korrigerer den feil i både kartet og banen. Resultatet er et konsistent kart og en nøyaktig bane.

SLAM-tilnærminger

• EKF SLAM: utvidet Kalman-filter, tidlig metode.
• FastSLAM: partikkelfilter, håndterer landemerker.
• Graph SLAM: positurer og landemerker som noder i en graf.
• Visuell SLAM: bruker kameraer, ORB-SLAM, LSD-SLAM.
• Lidar SLAM: bruker laserskanninger, Gmapping og kartograf.

SLAM er vanskelig fordi feil forsterkes. En liten feil i kilometermåling vokser over tid. Loop-lukning korrigerer dette: Når roboten gjenkjenner et sted den har sett før, lukker den løkken og justerer hele banen. Det er derfor SLAM-systemer trenger robust stedsgjenkjenning. En endring i belysning eller en flyttet stol kan ødelegge gjenkjenningen. Moderne SLAM-systemer er modne nok for kommersielle produkter. Robotstøvsugere bruker visuell SLAM. Autonome biler bruker lidar SLAM for kartlegging. SLAM er ikke løst, men det fungerer bra nok for mange bruksområder. De gjenværende utfordringene er dynamiske miljøer, langsiktig kartlegging og SLAM med flere roboter.