SLAM 代表同步定位与建图。它解决了一个先有鸡还是先有蛋的问题。要构建地图，机器人需要知道自己的位置；而要知道自己的位置，机器人又需要一张地图。SLAM 同时完成了这两项任务。它是移动机器人领域的基础性问题之一。

机器人穿梭于未知环境。它收集传感器数据：激光雷达扫描、摄像头图像、轮式里程计数据和惯性测量单元（IMU）读数。它估计自身位置并逐步构建地图。当它重新访问某些区域时，会修正地图和轨迹中的误差。最终得到一张一致的地图和一条精确的路径。

SLAM方法

• EKF SLAM：扩展卡尔曼滤波器，早期方法。
• FastSLAM：粒子滤波器，可处理地标。
• 图SLAM：将姿态和地标作为图中的节点。
• 视觉 SLAM：使用摄像头、ORB-SLAM、LSD-SLAM。
• 激光雷达SLAM：使用激光扫描、Gmapping、Cartographer。

SLAM之所以难，是因为误差会累积。里程计中的微小误差会随着时间的推移而增大。闭环控制可以纠正这个问题：当机器人识别出之前去过的地方时，它会闭合闭环并调整整个轨迹。这就是为什么SLAM系统需要强大的地点识别能力。光照变化或椅子移动都可能导致识别失败。现代SLAM系统已经足够成熟，可以应用于商业产品。扫地机器人使用视觉SLAM，自动驾驶汽车使用激光雷达SLAM进行地图构建。SLAM尚未完全解决，但它在许多应用中已经足够好用。剩余的挑战包括动态环境、长期地图构建和多机器人SLAM。