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 的主要优势之一在于，它能在 GPS 信号不可靠或无法覆盖的环境中实现自主运行。室内区域、地下隧道、茂密森林和水下区域往往缺乏卫星信号覆盖。在这种情况下，SLAM 通过完全依赖机载传感器和处理能力，提供了一种替代方案。在机器人领域，SLAM 使机器无需人工干预或预加载地图，即可移动、探索并执行任务。仓库机器人利用该技术优化行进路线，同时避免与货架及工作人员发生碰撞。 配备 SLAM 的无人机可对基础设施进行检查、勘测地形或在狭窄空间内导航。移动增强现实 (AR) 设备利用该技术，以空间精度将虚拟内容锚定到现实世界表面。
SLAM（同步定位与建图）还推动了自动驾驶技术的发展。自动驾驶车辆利用 SLAM 来理解道路布局、追踪自身位置并在动态环境中导航。实时建图使车辆能够适应道路封闭或障碍物等意外变化。 在医疗和农业领域，SLAM 有助于引导机器人在杂乱的病房或农田中行进。水下机器人利用 SLAM 对海底进行测绘或检查水下结构。在这些应用中，同时进行定位和建图的能力为安全、高效的运行奠定了基础。
尽管具有诸多优势，SLAM 仍面临若干技术挑战。传感器噪声、动态环境以及计算复杂度都可能影响其性能。 SLAM算法必须在实时处理海量数据的同时，往往还受限于有限的机载资源。具有重复性特征、光照条件差或地标稀少的环境，可能会导致定位或建图出现误差。在户外应用中，天气和地形的变异性会带来额外的不确定性。研究人员正持续开发基于机器学习、语义建图和鲁棒数据关联技术的SLAM方法来解决这些问题。随着算法和硬件的改进，SLAM系统正变得越来越可扩展、适应性强且准确。
