SLAM的是“同时定位和建图”的英文简称，通俗来讲，就是当你到了一个陌生的环境，如何确定自己的位置，以及描绘出周围环境的地图。机器人需要以刚开始的位置为基准，记录参照物的位置，在不断走动的过程中，根据参照物对自己的位置进行修正，再不断修正和添加参照物，完成地图绘制。用流程化的方式描述就是，首先需要进行位置预测，再观测周围的参照物，利用参照物的约束进行位置修正，并更新对应的地图。

       一个典型的SLAM模型包括四大类状态，包括机器人位姿x，运动指令u，地图m和观测z。其中运动指令和观测是已知的，机器人位姿和地图是未知的。

• SLAM技术的分类

       SLAM算法可以分为两类，即粒子滤波算法和图优化算法。

     （1）粒子滤波算法：粒子滤波算法是以粒子的形态去模拟实际分布，一方面解决非线性的问题，另一方面每一个粒子都可以保留一份对应的地图，以实现一定程度的回环。粒子滤波的SLAM方案在小地图上效果较好，因为运行距离不远，发散程度较小，“回环”的概率较大。但对于大一些的场景，会由于回环前的位姿漂移太大导致无法闭合。

     （2）图优化算法：面对基于滤波的方法的种种问题，目前我们使用更多的还是基于图优化的方案。在这个方案中，机器人位姿和局部地图这两类状态都转化为节点，运动估计和观测估计转化为节点之间的边，最终用图优化对整张图进行迭代优化。目前在求解的过程中，大多使用的方案是将位姿与地图的约束转化为位姿与位姿的约束，大大简化图的结构，便于优化求解。另一方面，图优化因为整个过程中的约束被全部保存下来，而不像滤波那样丢弃较早的状态，所以回环的能力很强。

• SLAM的地图类型

       移动机器人SLAM中常用的地图包括栅格地图和点云地图。

     （1）栅格地图：栅格地图是结构化且有序的，能够直接使用位置索引查询该位置状态，但栅格地图对场景进行密集的切分，但内存占用较大。

     （2）点云地图：点云是一系列点的集合，使用不用方法得到的点云有不同的数据结构，根据激光测量原理得到的点云包含三维坐标和激光反射强度数据；根据视觉测量得到的点云数据包含三维坐标和颜色数据。根据点的稀疏程度不同，可以分为稀疏点云地图和稠密点云地图，稀疏地图主要用于机器人定位，稠密地图经过转换后可以导航，比较常用的转换方法是八叉树地图。

• 导航技术

       在移动机器人完成环境建图和自身定位以后，就可基于环境地图、初始位姿和目标位姿进行导航。导航就是移动机器人从起始点A运动至目标点B的过程，在这一过程中，移动机器人需要根据目标位置计算全局运动路线，并且在运动过程中，还需要实时根据出现的一些动态障碍物调整运动路线，直至到达目标点，该过程就称之为路径规划。常用的路径规划算法包括：Dijkstra算法、A*、D*算法、Floyd算法等。

       路径规划分为全局路径规划和局部路径规划。全局路径规划侧重于全局、静态、宏观实现，而局部路径规划侧重于当前、动态、微观实现。比如，机器人在运行中，可能会随时出现一定的障碍物，局部规划的作用就是使用一定算法来实现障碍物的规避，并选取当前最优路径以尽量符合全局最优路径。