SLAM – Simultaneous localization and mappingは、ロボット工学およびナビゲーションで使用される手法であり、デバイスが未知の環境の地図を作成すると同時に、その地図内での自身の位置を追跡できるようにします。SLAM技術は、自動運転車、無人航空機（UAV）、自律型水中ビークル（AUV）、サービスロボット、拡張現実（AR）デバイスなどの自律型システムにおいて重要な役割を果たします。これにより、これらのプラットフォームは、既存の地図やGPSなどの外部測位システムに頼ることなく、複雑な環境をナビゲートできます。SLAMシステムは、センサーデータ、数学的アルゴリズム、およびリアルタイムコンピューティングを組み合わせて、正確な地図を作成し、動きを追跡します。中心的な課題は、システムがどこにあるのか、周囲がどのように見えるのかという2つの問題を同時に解決することにあります。
SLAMシステムは通常、さまざまなセンサーを使用して環境データを収集します。一般的なセンサー入力には、ライダー、カメラ（単眼、ステレオ、またはRGB-D）、レーダー、および慣性計測ユニット（IMU）が含まれます。これらのセンサーは、近くの物体までの距離、環境内の視覚的特徴、およびシステムの動きに関する情報を収集します。このシステムの重要なコンポーネントは、複数のソースからのデータを統合して精度と堅牢性を高めるセンサーフュージョンです。たとえば、Visual SLAMは、カメラ画像を使用して、周囲のエッジやコーナーなどの特徴を検出します。LidarベースのSLAMは、レーザースキャンを利用して、環境の点群を生成します。センサーの選択は、特定のアプリケーション、動作条件、およびパフォーマンス要件によって異なります。
SLAMアルゴリズムは、再帰的状態推定と呼ばれるプロセスを使用して、デバイスの位置を継続的に推定し、地図を更新します。これには、カルマンフィルター、拡張カルマンフィルター（EKF）、またはパーティクルフィルターなどの確率論的方法が含まれます。これらの手法は、モーションモデルに基づいてシステムの次の位置を予測し、新しいセンサー観測を使用して予測を修正します。同時に、システムは地図を構築および更新します。地図は通常、グリッドまたはランドマークのセットとして表されます。ループ閉鎖検出は、デバイスが以前にマッピングされた場所を再訪したことを識別するSLAMの重要な機能です。これにより、累積誤差が軽減され、地図の一貫性が確保されます。
SLAMの利点
SLAMの主な利点の1つは、GPSが信頼できない、または利用できない環境で自律性を実現できることです。屋内エリア、地下トンネル、密集した森林、および水中の領域では、衛星の受信範囲が不足していることがよくあります。このようなシナリオでは、SLAMはオンボードセンサーと処理のみに依存して代替手段を提供します。ロボット工学では、SLAMを使用すると、人間が入力したり、プリロードされたマップを使用したりせずに、マシンを移動、探索、およびタスクを実行できます。倉庫ロボットはそれを使用して、棚や作業者との衝突を回避しながらルートを最適化します。SLAMを搭載したドローンは、インフラストラクチャの検査、地形のサーベイ、または狭いスペースのナビゲートを行うことができます。モバイルARデバイスはそれを使用して、仮想コンテンツを空間精度で現実世界の表面に固定します。
SLAM（Simultaneous localization and mapping）は、自動運転の進歩もサポートしています。自動運転車はSLAMを使用して、道路のレイアウトを理解し、自分の位置を追跡し、動的な環境をナビゲートします。リアルタイムマッピングにより、車は道路の閉鎖や障害物などの予期しない変更に適応できます。ヘルスケアおよび農業では、SLAMは散らかった病院の部屋や農場をロボットで誘導するのに役立ちます。水中車両はSLAMを使用して、海底をマッピングしたり、水没した構造物を検査したりします。これらのアプリケーションでは、ローカライズとマッピングを同時に行う機能により、安全で効率的な運用の基盤が提供されます。
その利点にもかかわらず、SLAMはいくつかの技術的な課題に直面しています。センサーノイズ、動的な環境、および計算の複雑さは、パフォーマンスに影響を与える可能性があります。SLAMアルゴリズムは、多くの場合、限られたオンボードリソースで大量のデータをリアルタイムで処理する必要があります。反復的な機能、照明の不良、またはランドマークが少ない環境では、ローカライズまたはマッピングでエラーが発生する可能性があります。屋外アプリケーションでは、天候と地形の変動により、追加の不確実性が生じます。研究者は、機械学習、セマンティックマッピング、および堅牢なデータ関連付け技術を使用して、これらの問題に対処するSLAMメソッドの開発を続けています。SLAMシステムは、アルゴリズムとハードウェアが改善されるにつれて、よりスケーラブルで、適応性があり、正確になっています。