
SLAM is a computational method for a device to simultaneously construct a map of its environment and locate itself within that map.Le SLAM est un cadre mathématique permettant à une plateforme mobile (robot, drone, voiture) de préciser simultanément sa propre position dans l’espace et de construire une carte de l’environnement. Il repose sur une approche probabiliste : le robot ne stocke pas une position exacte, mais un éventail de positions possibles avec différents degrés de confiance. Chaque nouvelle mesure des capteurs — télémètre laser (lidar), capteurs inertiels, caméras — met à jour cette distribution. L’idée clé est de fermer la boucle : lorsque le robot revient à un endroit déjà visité, il le reconnaît et réduit fortement l’erreur accumulée.
Le concept de SLAM a été formalisé par Hugh Durrant-Whyte et John J. Leonard en 1991, bien que des travaux antérieurs (par exemple, Cheyne, 1986) aient déjà résolu des problèmes similaires. Les premières implémentations reposaient sur le filtre de Kalman étendu (EKF) et exploitaient des données radar ou sonar. L’année 2002 a été un tournant, lorsque Montemerlo et Thrun ont présenté FastSLAM, un algorithme basé sur un filtre particulaire capable de traiter des milliers de points de repère en temps réel. Les approches modernes, telles que ORB-SLAM, utilisent la fusion multi-capteurs et une architecture en graphe, atteignant une haute précision à grande échelle.
Le SLAM probabiliste modélise la distribution conjointe P(x_{1:t}, m | z_{1:t}, u_{1:t}), où x est la trajectoire, m la carte, z les observations, u les signaux de commande. On applique généralement un filtrage bayésien récursif : prédiction basée sur le modèle de mouvement, correction d’après les données des capteurs. Dans le Graph SLAM, le problème est transformé en un graphe creux, où les nœuds sont les poses du robot et les points de repère, et les arêtes sont des contraintes provenant de l’odométrie et des observations. L’optimisation du graphe par les méthodes de Newton-Gauss ou de Levenberg-Marquardt fournit la meilleure estimation de l’historique complet. Pour la fermeture de boucle, on utilise des méthodes de reconnaissance de lieux (place recognition), souvent basées sur des sacs de mots visuels (BoW) pour les systèmes à caméra. Les filtres particulaires, quant à eux, représentent la distribution par un ensemble d’hypothèses (particules), chacune ayant sa propre carte ; cette approche est efficace pour les modèles non linéaires et les bruits non gaussiens.
Une voiture autonome ne roule pas à l’aveugle : elle construit un modèle tridimensionnel de la rue et comprend où elle se trouve. Les aspirateurs robots mémorisent le plan de l’appartement pour ne manquer aucun coin.
Certains systèmes SLAM utilisent plusieurs caméras et capteurs inertiels, un peu comme l’humain s’oriente en regardant avec ses yeux et en ressentant l’inclinaison de son corps.

















