SLAM là viết tắt của Simultaneous Localization and Mapping (Định vị và Lập bản đồ đồng thời). Nó giải quyết một vấn đề "con gà và quả trứng". Để xây dựng bản đồ, robot cần biết vị trí của nó. Để biết vị trí của mình, robot cần một bản đồ. SLAM thực hiện cả hai việc cùng một lúc. Đây là một trong những vấn đề nền tảng trong robot di động.

Robot di chuyển trong một môi trường chưa được biết đến. Nó thu thập dữ liệu cảm biến: quét lidar, hình ảnh camera, đo quãng đường bánh xe, dữ liệu IMU. Nó ước tính vị trí của mình và xây dựng bản đồ từng bước một. Khi quay lại các khu vực, nó sẽ sửa lỗi cả trong bản đồ và quỹ đạo của mình. Kết quả là một bản đồ nhất quán và một đường đi chính xác.

Các phương pháp SLAM

• EKF SLAM: bộ lọc Kalman mở rộng, phương pháp ban đầu.
• FastSLAM: bộ lọc hạt, xử lý các điểm mốc.
• SLAM đồ thị: tư thế và điểm mốc được xem như các nút trong một đồ thị.
• Visual SLAM: sử dụng camera, ORB-SLAM, LSD-SLAM.
• SLAM Lidar: sử dụng quét laser, Gmapping, Cartographer.

SLAM rất khó vì lỗi tích lũy dần. Một lỗi nhỏ trong đo lường quãng đường sẽ tăng lên theo thời gian. Việc đóng vòng lặp giúp khắc phục điều này: khi robot nhận ra một vị trí mà nó đã từng thấy trước đây, nó sẽ đóng vòng lặp và điều chỉnh toàn bộ quỹ đạo. Đó là lý do tại sao các hệ thống SLAM cần khả năng nhận dạng vị trí mạnh mẽ. Sự thay đổi về ánh sáng hoặc việc di chuyển một chiếc ghế có thể làm hỏng khả năng nhận dạng. Các hệ thống SLAM hiện đại đã đủ trưởng thành để được sử dụng trong các sản phẩm thương mại. Robot hút bụi sử dụng SLAM thị giác. Ô tô tự lái sử dụng SLAM lidar để lập bản đồ. SLAM vẫn chưa được giải quyết hoàn toàn, nhưng nó hoạt động đủ tốt cho nhiều ứng dụng. Những thách thức còn lại là môi trường động, lập bản đồ dài hạn và SLAM đa robot.