
SLAM is a computational method for a device to simultaneously construct a map of its environment and locate itself within that map.SLAM es un marco matemático que permite a una plataforma móvil (robot, dron, coche) refinar simultáneamente su propia posición en el espacio y construir un mapa del entorno. Se basa en un enfoque probabilístico: el robot no almacena una única posición exacta, sino un abanico de posibles posiciones con distintos grados de certeza. Cada nueva medida de los sensores —telémetro láser (lidar), sensores inerciales, cámaras— actualiza esta distribución. La idea clave es cerrar el bucle: cuando el robot vuelve a un lugar ya visitado, lo reconoce y reduce drásticamente el error acumulado.
El concepto de SLAM fue formalizado por Hugh Durrant-Whyte y John J. Leonard en 1991, aunque trabajos anteriores (por ejemplo, Cheyne, 1986) ya abordaban problemas similares. Las primeras implementaciones se basaban en el filtro extendido de Kalman (EKF) y trabajaban con datos de radar o sonar. El punto de inflexión llegó en 2002, cuando Montemerlo y Thrun presentaron FastSLAM, un algoritmo basado en filtros de partículas capaz de procesar miles de landmarks en tiempo real. Los enfoques modernos, como ORB-SLAM, utilizan fusión multisensorial y una arquitectura de grafos, alcanzando alta precisión a gran escala.
El SLAM probabilístico modela la distribución conjunta P(x_{1:t}, m | z_{1:t}, u_{1:t}), donde x es la trayectoria, m el mapa, z las observaciones y u las señales de control. Normalmente se aplica un filtro bayesiano recursivo: predicción según el modelo de movimiento, corrección con los datos de los sensores. En Graph SLAM, el problema se transforma en un grafo disperso, donde los nodos son las poses del robot y los landmarks, y las aristas son restricciones provenientes de la odometría y las observaciones. La optimización del grafo mediante los métodos de Gauss-Newton o Levenberg-Marquardt proporciona la mejor estimación de toda la historia. Para el cierre de bucle se emplean técnicas de reconocimiento de lugares (place recognition), a menudo basadas en bolsas de palabras visuales (BoW) para sistemas de cámara. Por su parte, los filtros de partículas representan la distribución con un conjunto de hipótesis (partículas), cada una con su propio mapa; este enfoque es eficaz para modelos no lineales y ruidos no normales.
Un coche autónomo no circula a ciegas: construye un modelo tridimensional de la calle y sabe dónde está. Los robots aspiradores memorizan el plano de la vivienda para no dejar rincones sin limpiar.
Algunos sistemas SLAM utilizan varias cámaras y sensores inerciales a la vez, de forma similar a como una persona se orienta mirando con los ojos y sintiendo la inclinación del cuerpo.

















