SLAM – Simultaneous localization and mapping（即时定位与地图构建）
SLAM（同步定位与建图）是机器人技术和导航中采用的一种方法，使设备能够在构建未知环境地图的同时，实时跟踪其在该地图内的自身位置。SLAM 技术在自动驾驶汽车、无人机 (UAV)、自主式水下航行器 (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来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的。
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、摄像头（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、环境中的视觉特征以及系统运动的信息。该系统的关键组件是传感器融合，它集成了来自多个源的数据，以提高准确性和鲁棒性。例如，视觉SLAM使用摄像机图像来检测周围环境中的边缘和角点等特征。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特定应用、运行条件和性能要求。
SLAM 算法使用称为递归状态估计的过程连续估计设备的位置并更新地图。这涉及概率方法，例如卡尔曼滤波、扩展卡尔曼滤波 (EKF) 或粒子滤波。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值来修正预测。同时，系统构建并更新地图，通常表示为网格或一组地标。闭环检测是 SLAM 中的一项关键功能，可识别设备何时重访先前绘制过地图的位置。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、密林和水下区域通常缺乏卫星覆盖。在这种情况下，SLAM 仅依靠机载传感器和处理来提供替代方案。在机器人技术中，SLAM 允许机器在没有人类干预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、勘测地形或在狭窄空间中导航。移动 AR 设备使用它将虚拟内容以空间精度锚定到现实世界的表面。
SLAM（即时定位与建图）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、追踪其位置并在动态环境中导航。实时建图使汽车能够适应道路封闭或障碍物等意外变化。在医疗保健和农业领域，SLAM 有助于引导机器人穿过杂乱的病房或农田。水下车辆使用 SLAM 来绘制洋流海底或检查水下结构。在这些应用中，同时定位和建图的能力为安全高效运行提供了基础。
尽管有这些优势，SLAM 仍面临着若干技术挑战。传感器噪声、动态环境和计算复杂度可能会影响性能。SLAM 算法必须实时处理大量数据，而机载资源通常有限。具有重复特征、照明较差或地标较少的环境可能会导致定位或建图出现误差。在户外应用中，天气和地形变化引入了更多的不确定性。研究人员继续开发使用机器学习、语义建图和稳健数据关联技术的 SLAM 方法来解决这些问题。随着算法和硬件的改进，SLAM 系统变得更具可扩展性、适应性和准确性。
