SLAM – Simultaneous localization and mapping（即时定位与地图构建）是一种用于机器人技术和导航的方法，使设备能够构建未知环境的地图，同时跟踪其在该地图中的自身位置。SLAM 技术在自动驾驶汽车、无人驾驶飞行器 (UAV)、自主水下航行器 (AUV)、服务机器人和增强现实 (AR) 设备等自主系统中发挥着关键作用。它允许这些平台在不依赖预先存在的地图或 GPS 等外部定位系统的情况下，在复杂环境中导航。SLAM 系统结合了传感器数据、数学算法和实时计算，以创建精确的地图并跟踪运动。核心挑战在于同时解决两个问题：弄清楚系统在哪里以及周围环境是什么样子。
SLAM 系统通常使用各种传感器来收集环境数据。常见的传感器输入包括激光雷达、相机（单目、立体或 RGB-D）、雷达和惯性测量单元 (IMU)。这些传感器收集有关到附近物体的距离、环境中视觉特征以及系统运动的信息。该系统的一个关键组件是传感器融合，它集成了来自多个来源的数据，以提高准确性和鲁棒性。例如，Visual SLAM 使用相机图像来检测周围环境中的边缘和角等特征。基于激光雷达的 SLAM 依靠激光扫描来生成环境的点云。传感器的选择取决于具体的应用、运行条件和性能要求。
SLAM 算法不断估计设备的位置，并使用称为递归状态估计的过程更新地图。这涉及概率方法，例如卡尔曼滤波器、扩展卡尔曼滤波器 (EKF) 或粒子滤波器。这些技术根据运动模型预测系统的下一个位置，并使用新的传感器观测结果来校正预测。同时，系统构建并更新地图，通常表示为网格或一组地标。回环检测是 SLAM 中的一项关键功能，用于识别设备何时重新访问先前绘制的地图位置。它有助于减少累积误差并确保地图保持一致。
SLAM 的优势
SLAM的主要优势之一是它能够在GPS不可靠或不可用的环境中实现自主性。室内区域、地下隧道、茂密的森林和水下区域通常缺乏卫星覆盖。在这种情况下，SLAM通过仅依赖于机载传感器和处理来提供替代方案。在机器人技术中，SLAM允许机器在没有人为输入或预加载地图的情况下移动、探索和执行任务。仓库机器人使用它来优化其路线，同时避免与货架和工人发生碰撞。配备SLAM的无人机可以检查基础设施、测量地形或导航狭窄空间。移动AR设备使用它将虚拟内容以空间精度锚定到真实世界的表面。
SLAM——同步定位和绘图也支持自动驾驶的进步。自动驾驶汽车使用SLAM来了解道路布局、跟踪其位置和导航动态环境。 实时绘图使汽车能够适应意外变化，例如道路封闭或障碍物。在医疗保健和农业领域，SLAM有助于引导机器人在杂乱的医院房间或农田中穿行。水下航行器使用SLAM来绘制海底地图或检查水下结构。在这些应用中，同时定位和绘图的能力为安全高效的运行奠定了基础。
尽管SLAM具有诸多优势，但它仍面临着一些技术挑战。传感器噪声、动态环境和计算复杂性会影响性能。SLAM算法必须实时处理大量数据，通常使用有限的机载资源。具有重复特征、光线不足或地标较少的环境可能会导致定位或绘图错误。在户外应用中，天气和地形变化会引入额外的不确定性。研究人员继续开发SLAM方法，以使用机器学习、语义绘图和强大的数据关联技术来解决这些问题。随着算法和硬件的改进，SLAM系统正变得更具可扩展性、适应性和准确性。