SLAM（同步定位与建图）使机器人能够在未知环境中导航，通过同时构建周围环境的地图并跟踪自身在该地图中的位置。机器人利用 LiDAR、摄像头或惯性测量单元 (IMU) 等传感器收集空间数据来实现这一目标。例如，扫地机器人可能会使用 LiDAR 传感器扫描房间，测量到墙壁和家具的距离。算法处理这些原始数据以识别地标或特征，这些地标或特征用于估计机器人的位置，同时逐步构建地图。这种双重过程使得机器人无需预先了解环境即可操作，这对于探索无人机或自动配送机器人等应用至关重要。
SLAM 的核心在于概率模型和传感器融合，以处理不确定性。随着机器人移动，传感器数据不断输入到卡尔曼滤波或粒子滤波等算法中，以预测其位置并更新地图。例如，使用视觉 SLAM 的无人机可能会跟踪来自摄像头帧的 ORB（面向快速和旋转简要特征）特征来估计运动。闭环——一种机器人识别先前访问区域的技术——通过调整地图和位姿估计来纠正累积误差。现代实现，如基于图的 SLAM，将这些纠正捆绑到优化步骤中，从而最小化总体误差。例如，自动驾驶汽车通常将 LiDAR 和摄像头数据与 IMU 读数相结合，以提高动态环境中的精度，即使单个传感器故障或产生嘈杂数据也能确保稳健导航。
SLAM 中的实际挑战包括计算复杂度、实时性能和处理动态障碍物。大型环境需要高效的数据结构（例如，占用栅格）和优化算法，以避免延迟。开发者经常利用 ROS（机器人操作系统）等框架，其 Cartographer 或 RTAB-Map 等包可以处理传感器集成和开箱即用的建图。例如，使用 ROS 的仓库机器人可能会集成 Gmapping（一种基于 LiDAR 的 SLAM 算法）来在过道中导航，同时避开移动的叉车。传感器融合——例如将 IMU 数据与视觉里程计结合——有助于缓解低光照下摄像头模糊等问题。虽然 SLAM 并非完美无缺（例如，在无特征的走廊中会发生漂移），但其适应性使其成为机器人、AR/VR 甚至水下探索等应用的基石。开发者通常专注于调整现有库，而不是从头开始构建 SLAM，从而在精度和计算限制之间取得平衡。