
SLAM is a computational method for a device to simultaneously construct a map of its environment and locate itself within that map.SLAM هو إطار رياضي يسمح للمنصة المتحركة (روبوت، طائرة بدون طيار، سيارة) بتحديث موقعها في الفضاء وبناء خريطة للبيئة في آنٍ واحد. الأساس هو نهج احتمالي: لا يحتفظ الروبوت بموقع دقيق واحد، بل بمجموعة واسعة من المواقع المحتملة بدرجات متفاوتة من الثقة. كل قياس جديد من المستشعرات — ليدار (LIDAR)، مستشعرات القصور الذاتي (inertial sensors)، الكاميرات — يُحدِّث هذا التوزيع. الفكرة الأساسية هي إغلاق الحلقة (loop closure): عندما يعود الروبوت إلى مكان سبق أن زاره، يتعرف عليه ويقلل بشكل كبير من الخطأ المتراكم.
صِيغَ مفهوم SLAM بواسطة هيو دورانت-وايت وجون ج. ليونارد في عام 1991، رغم أن أعمالًا سابقة (مثل تشين، 1986) كانت قد حلت مسائل مماثلة. اعتمدت التطبيقات الأولى على مرشح كالمان الممدد (Extended Kalman Filter, EKF) واستخدمت بيانات الرادار أو السونار. وجاءت نقطة التحول في عام 2002 عندما قدم مونتميرلو وثرون خوارزمية FastSLAM — القائمة على مرشح الجسيمات (particle filter) القادرة على معالجة آلاف المعالم في الزمن الحقيقي. تستخدم الطرق الحديثة، مثل ORB-SLAM، الاندماج متعدد المستشعرات وهيكلية الرسوم البيانية، محققة دقة عالية على نطاقات واسعة.
يقوم نموذج SLAM الاحتمالي بنمذجة التوزيع المشترك (joint distribution) P(x_{1:t}, m | z_{1:t}, u_{1:t})، حيث تمثل x المسار، وm الخريطة، وz الملاحظات، وu إشارات التحكم. يُطبَّق عادة الترشيح البايزي التكراري (Bayesian filtering): تنبؤ يعتمد على نموذج الحركة، وتصحيح باستخدام بيانات المستشعرات. في SLAM البياني (Graph SLAM)، تتحول المسألة إلى رسم بياني متفرق، حيث العقد (nodes) هي وضعيات الروبوت والمعالم، والحواف (edges) هي قيود من عدادات المسافات (odometry) والملاحظات. يعطي تحسين الرسم البياني بطريقتي نيوتن-جاوس (Newton-Gauss) أو ليفنبرغ-ماركوارت (Levenberg-Marquardt) أفضل تقدير للسجل بأكمله. لإغلاق الحلقة، تُستخدم طرق التعرف على الأماكن (place recognition) — غالبًا بالاعتماد على أكياس الكلمات المرئية (bag of visual words, BoW) لأنظمة الكاميرات. من ناحية أخرى، تمثل مرشحات الجسيمات (particle filters) التوزيع بمجموعة فرضيات (جسيمات)، لكل منها خريطتها الخاصة؛ هذا النهج فعّال للنماذج اللاخطية والضوضاء غير الطبيعية.
السيارة ذاتية القيادة لا تسير عمياء — إنها تبني نموذجًا ثلاثي الأبعاد للشارع وتفهم موقعها. روبوتات التنظيف تتذكر مخطط الشقة لكي لا تفوّت الزوايا.
بعض أنظمة SLAM تستخدم عدة كاميرات ومستشعرات قصور ذاتي في آنٍ واحد، مثلما يوجه الإنسان نفسه بالنظر والشعور بميلان جسده.

















