SLAM to skrót od Simultaneous Localization and Mapping (jednoczesna lokalizacja i mapowanie). Rozwiązuje problem jajka i kury. Aby zbudować mapę, robot musi wiedzieć, gdzie się znajduje. Aby wiedzieć, gdzie się znajduje, robot potrzebuje mapy. SLAM realizuje oba te zadania jednocześnie. Jest to jeden z fundamentalnych problemów robotyki mobilnej.

Robot porusza się w nieznanym środowisku. Gromadzi dane z czujników: skany lidarowe, obrazy z kamer, pomiary odometrii kół, odczyty IMU. Oszacowuje swoją pozycję i stopniowo tworzy mapę. Podczas ponownego odwiedzania obszarów koryguje błędy zarówno na mapie, jak i na trajektorii. Rezultatem jest spójna mapa i dokładna ścieżka.

Podejścia SLAM

• EKF SLAM: rozszerzony filtr Kalmana, wczesna metoda.
• FastSLAM: filtr cząsteczkowy, obsługuje punkty orientacyjne.
• Graph SLAM: pozy i punkty orientacyjne jako węzły na wykresie.
• Visual SLAM: wykorzystuje kamery, ORB-SLAM, LSD-SLAM.
• Lidar SLAM: wykorzystuje skanowanie laserowe, Gmapping, Cartographer.

SLAM jest trudny, ponieważ błędy kumulują się. Niewielki błąd w odometrii rośnie z czasem. Domknięcie pętli koryguje to: gdy robot rozpozna miejsce, które wcześniej widział, zamyka pętlę i koryguje całą trajektorię. Dlatego systemy SLAM potrzebują niezawodnego rozpoznawania miejsc. Zmiana oświetlenia lub przesunięcie krzesła może zakłócić proces rozpoznawania. Nowoczesne systemy SLAM są wystarczająco dojrzałe, aby można je było stosować w produktach komercyjnych. Roboty odkurzające wykorzystują wizualny SLAM. Samochody autonomiczne wykorzystują lidarowy SLAM do mapowania. SLAM nie został rozwiązany, ale działa wystarczająco dobrze w wielu zastosowaniach. Pozostałymi wyzwaniami są dynamiczne środowiska, mapowanie długoterminowe i SLAM z udziałem wielu robotów.