SLAM significa Localização e Mapeamento Simultâneos. Resolve um problema clássico do ovo e da galinha. Para construir um mapa, um robô precisa de saber onde está. Para saber onde está, o robô precisa de um mapa. O SLAM faz as duas coisas ao mesmo tempo. É um dos problemas fundamentais da robótica móvel.

O robô move-se por um ambiente desconhecido. Recolhe dados de sensores: varrimentos LiDAR, imagens de câmaras, odometria das rodas e leituras da IMU. Estima a sua posição e constrói um mapa incrementalmente. Ao revisitar áreas, corrige erros tanto no mapa como na sua trajetória. O resultado é um mapa consistente e um caminho preciso.

abordagens SLAM

• EKF SLAM: filtro de Kalman estendido, método inicial.
• FastSLAM: filtro de partículas, lida com pontos de referência.
• Graph SLAM: utiliza poses e pontos de referência como nós num grafo.
• Visual SLAM: utiliza câmaras, ORB-SLAM e LSD-SLAM.
• Lidar SLAM: utiliza varrimentos laser, Gmapping e Cartographer.

O SLAM é complexo porque os erros acumulam-se. Um pequeno erro na odometria aumenta com o tempo. O fecho de loop corrige isto: quando o robô reconhece um local que já viu antes, fecha o loop e ajusta toda a trajetória. É por isso que os sistemas SLAM necessitam de um reconhecimento de localização robusto. Uma alteração na iluminação ou uma cadeira movida pode interromper o reconhecimento. Os sistemas SLAM modernos já estão suficientemente maduros para produtos comerciais. Os aspiradores robóticos usam SLAM visual. Os carros autónomos usam SLAM com lidar para mapeamento. O SLAM ainda não está totalmente resolvido, mas funciona suficientemente bem para muitas aplicações. Os desafios que restam são ambientes dinâmicos, mapeamento a longo prazo e SLAM com múltiplos robôs.