SLAM（simultaneouslocalizationandmapping），也稱為CML（ConcurrentMappingandLocalization），即時定位與地圖構建，或并發建圖與定位。問題可以描述為：將一個機器人放入未知環境中的未知位置，是否有辦法讓機器人一邊逐步描繪出此環境完全的地圖，同時一邊決定機器人應該往哪個方向行進。例如掃地機器人就是一個很典型的SLAM問題，所謂完全的地圖（aconsistentmap）是指不受障礙行進到房間可進入的每個角落。SLAM最早由Smith、Self和Cheeseman于1988年提出。由于其重要的理論與應用價值，被很多學者認為是實現真正全自主移動機器人的關鍵。
當你來到一個陌生的環境時，為了迅速熟悉環境并完成自己的任務，你應當做以下事情：
a.用眼睛觀察周圍地標如建筑、大樹、花壇等，并記住他們的特征
b.在自己的腦海中，根據雙目獲得的信息，把特征地標在三維地圖中重建出來
c.當自己在行走時，不斷獲取新的特征地標，并且校正自己頭腦中的地圖模型（bundleadjustmentorEKF）
d.根據自己前一段時間行走獲得的特征地標，確定自己的位置
e.當無意中走了很長一段路的時候，和腦海中的以往地標進行匹配，看一看是否走回了原路（loop-closuredetection）。實際這一步可有可無。
以上五步是同時進行的，因此是simultaneouslocalizationandmapping
離不開這兩類傳感器
目前用在SLAM上的Sensor主要分兩大類，激光雷達和攝像頭。
這里面列舉了一些常見的雷達和各種深度攝像頭。激光雷達有單線多線之分，角分辨率及精度也各有千秋。SICK、velodyne、Hokuyo以及國內的北醒光學、Slamtech是比較有名的激光雷達廠商。他們可以作為SLAM的一種輸入形式。
這個小視頻是賓大的教授kumar做的特別有名的一個demo，是在無人機上利用二維激光雷達做的SLAM。
而VSLAM則主要用攝像頭來實現，攝像頭品種繁多，主要分為單目、雙目、單目結構光、雙目結構光、ToF幾大類。他們的核心都是獲取RGB和depthmap。簡單的單目和雙目我這里不多做解釋，我主要解釋一下結構光和ToF。
最近流行的結構光和TOF
結構光原理的深度攝像機通常具有激光投射器、光學衍射元件、紅外攝像頭三大核心器件。
智能分揀機器人設計可以看到primesense的doe是由兩部分組成的，一個是擴散片，一個是衍射片。先通過擴散成一個區域的隨機散斑，然后復制成九份，投射到了被攝物體上。根據紅外攝像頭捕捉到的紅外散斑，PS1080這個芯片就可以快速解算出各個點的深度信息。
第一頁它是由兩幅十分規律的散斑組成，最后同時被紅外相機獲得，精度相對較高。但據說DOE成本也比較高。
還有一種比較獨特的方案，它采用mems微鏡的方式，類似DLP投影儀，將激光器進行調頻，通過微鏡反射出去，并快速改變微鏡姿態，進行行列掃描，實現結構光的投射。（產自ST，ST經常做出一些比較炫的黑科技）。
ToF也是一種很有前景的深度獲取方法。
傳感器發出經調制的近紅外光，遇物體后反射，傳感器通過計算光線發射和反射時間差或相位差，來換算被拍攝景物的距離，以產生深度信息。類似于雷達，或者想象一下蝙蝠，softkinetic的DS325采用的就是ToF方案，但是它的接收器微觀結構比較特殊，有2個或者更多快門，測ps級別的時間差，但它的單位像素尺寸通常在100um的尺寸，所以目前分辨率不高。
在有了深度圖之后呢，SLAM算法就開始工作了，由于Sensor和需求的不同，SLAM的呈現形式略有差異。大致可以分為激光SLAM和視覺SLAM（也分Sparse、semiDense、Dense）兩類，但其主要思路大同小異。
銷售分揀機器人SLAM算法實現的4要素
SLAM算法在實現的時候主要要考慮以下4個方面吧：
1.地圖表示問題，比如dense和sparse都是它的不同表達方式，這個需要根據實際場景需求去抉擇
2.信息感知問題，需要考慮如何全面的感知這個環境，RGBD攝像頭FOV通常比較小，但激光雷達比較大
3.數據關聯問題，不同的sensor的數據類型、時間戳、坐標系表達方式各有不同，需要統一處理
4.定位與構圖問題，就是指怎么實現位姿估計和建模，這里面涉及到很多數學問題，物理模型建立，狀態估計和優化
其他的還有回環檢測問題，探索問題，以及綁架問題。
這個是一個比較有名的SLAM算法，這個回環檢測就很漂亮。但這個調用了cuda，gpu對運算能力要求挺高，效果看起來比較炫。
以VSLAM舉個栗子
我大概講一種比較流行的VSLAM方法框架。
整個SLAM大概可以分為前端和后端，前端相當于VO，研究幀與幀之間變換關系。首先提取每幀圖像特征點，利用相鄰幀圖像，進行特征點匹配，然后利用RANSAC去除大噪聲，然后進行匹配，得到一個pose信息，同時可以利用IMU（Inertialmeasurementunit慣性測量單元）提供的姿態信息進行濾波融合后端則主要是對前端出結果進行優化，利用濾波理論、或者優化理論TORO、G2O進行樹或者圖的優化。最終得到最優的位姿估計。
后端這邊難點比較多，涉及到的數學知識也比較多，總的來說大家已經慢慢拋棄傳統的濾波理論走向圖優化去了。
因為基于濾波的理論，濾波器穩度增長太快，這對于需要頻繁求逆的EKF，PF壓力很大。而基于圖的SLAM，通常以keyframe為基礎，建立多個節點和節點之間的相對變換關系，比如仿射變換矩陣，并不斷地進行關鍵節點的維護，保證圖的容量，在保證精度的同時，降低了計算量。
列舉幾個目前比較有名的SLAM算法：PTAM，MonoSLAM，ORB-SLAM，RGBD-SLAM，RTAB-SLAM，LSD-SLAM。
所以大家如果想學習SLAM的話，各個高校提高的素材是很多的，比如賓大、MIT、ETH、香港科技大學、帝國理工等等都有比較好的代表作品，還有一個比較有前景的就是三維的機器視覺，普林斯頓大學的肖劍雄教授結合SLAM和DeepLearning做一些三維物體的分類和識別，實現一個對場景深度理解的機器人感知引擎。
SLAM技術從最早的軍事用途（核潛艇海底定位就有了SLAM的雛形）到今天，已經逐步走入人們的視野，掃地機器人的盛行更是讓它名聲大噪。同時基于三維視覺的VSLAM越來越顯主流。在地面/空中機器人、VR/AR/MR、汽車/AGV自動駕駛等領域，都會得到深入的發展，同時也會出現越來越多的細分市場等待挖掘。
SLAM技術的應用領域
1）室內機器人
掃地機要算機器人里最早用到SLAM技術這一批了，國內的科沃斯、塔米掃地機通過用SLAM算法結合激光雷達或者攝像頭的方法，讓掃地機可以高效繪制室內地圖，智能分析和規劃掃地環境，從而成功讓自己步入了智能導航的陣列。
不過有意思的是，科沃斯引領時尚還沒多久，一大幫懂Slam算法的掃地機廠商就開始陸陸續續地推出自己的智能導航，直到昨天雷鋒網還看到一款智能掃地機新鮮出爐，而這追逐背后的核心，大家都知道就是SLAM技術的應用。
而另一個跟SLAM息息相關的室內移動機器人，因為目前市場定位和需求并不明確，我們目前只能在商場導購室內機器人和Buddy那樣的demo視頻里才能看到，國內WatchhhhSlam和SlamTech兩家公司都是做這方面方案提供的，以現實的觀點看，現在室內移動機器人市場定位和需求沒落地的時候，由方案商公司推動，商用室內移動機器人先行，這反而是一種曲線救國的發展方式。
2）AR
目前基于SLAM技術開發的代表性產品有微軟的Hololens，谷歌的ProjectTango以及同樣有名的MagicLeap，后者4月20號公布它的新一代水母版demo后，國內的AR公司更加看到了這個趨勢，比如進化動力近期就公布了他們的SLAMdemo，用一個小攝像頭實現VR頭顯空間定位，而易瞳去年10月雷鋒網去試用新品的時候，就發現已經整合SLAM技術了，國內其他公司雖然沒有正式公布，但我們可以肯定，他們都在暗暗研發這項技術，只等一個成熟的時機就會展現給大家。
進化動力CTO聶崇嶺向雷鋒網表示，如果用一個準確的說法
很多VR應用需要用到SLAM技術，定位只是一個feature，路徑記錄、3D重構、地圖構建都可以是SLAM技術的輸出。
3）無人機
國外的話，原來做GoogleXProjectWing無人機的創始人MIT機器人大牛NicholasRoy的學生AdamBry創辦的Skydio，挖來了GeorgiaTech的Slam大牛教授FrankDellaert做他們的首席科學家。
國內大家非常熟悉的大疆精靈四避障用的雙目視覺+超聲波，一位大疆工程師徐梟涵在百度百家的撰文里坦率承認“P4里面呈現的主動避障功能就是一種非常非常典型的Slam的弱應用，無人機只需要知道障礙物在哪，就可以進行Planning，并且繞開障礙物。當然Slam能做的事情遠遠不止這些，包括災區救援，包括探洞，包括人機配合甚至集群，所有的關于無人機的夢想都建立在Slam之上，這是無人機能飛的時代以后，無人機最核心的技術。”
快遞分揀機器人需要多少錢而近期另一個號稱刷爆美國朋友圈的hovercamera無人機，因為其創始人的的計算機視覺背景，正式把SLAM技術應用進來了，在介紹他們無人機的主要產品技術時，提到了
●SLAM：通過感知自身周圍環境來構建3D增量式地圖，從而實現自主定位和導航。
4）無人駕駛
因為Google無人駕駛車的科普，很多人都知道了基于激光雷達技術的LidarSlam。LidarSlam是指利用激光雷達作為外部傳感器，獲取地圖數據，使機器人實現同步定位與地圖構建。雖然成本高昂，但目前為止是最穩定、最可靠、高性能的SLAM方式。
另外，2011年，牛津大學MobileRoboticsGroup首次向公眾展示他們的第一輛無人駕駛汽車野貓，這是一輛由BowlerWildcat4X4改裝而成的車。汽車頭頂的相機和激光能夠搜集信息然后即時分析導航，已經成功通過了測試。2014年，他們改裝的一輛Nissan的Leaf也成功路測。
MobileRoboticsGroup主要研究領域是大規模的導航和對自然場景理解。據稱，團隊所擁有的技術非常牛逼，其復雜和先進性遠遠超過一般的同步定位與地圖構建算法。
可圈可點的是，對于無人駕駛技術，他們并沒有使用GPS或者是嵌入式的基礎設施，而是使用算法來導航，包括機器學習和概率推理來建立周圍的地圖等。
輸送帶分揀機器人分揀機器人的優勢何在京東快遞分揀機器人視頻