La localización y mapeo simultáneos,[1] mapeo y localización simultáneos[2] o SLAM (del inglés simultaneous localization and mapping ), es una técnica usada por robots y vehículos autónomos para construir un mapa de un entorno desconocido en el que se encuentra, a la vez que estima su trayectoria al desplazarse dentro de este entorno.Dicho de otra manera, el SLAM busca resolver los problemas que plantea el colocar un robot móvil en un entorno y posición desconocidos, y que él mismo sea capaz de construir incrementalmente un mapa consistente del en torno al tiempo que utiliza dicho mapa para determinar su propia localización.El ruido presente en los sistemas sensoriales, los inevitables errores y aproximaciones cometidos en los modelos empleados, y la dificultad representativa de los entornos a medida que estos aumentan en complejidad, hacen que la tarea de resolver el mencionado problema sea ardua.Las soluciones que mejores resultados han obtenido a la hora de abordar el problema del SLAM son aquellas basadas en técnicas probabilísticas.Consiguen así hacer frente a todas las fuentes de incertidumbre involucradas en el proceso, ya comentadas anteriormente.Si los sensores fueran perfectos, proporcionarían medidas absolutamente precisas de los objetos detectados, que podrían ser insertados en un mapa en su posición exacta respecto a un sistema de referencia ligado al robot.Se impone por tanto la necesidad de acomodar estas incertidumbres en las soluciones obtenidas.Así, los algoritmos existentes modelan ambos de manera probabilística, y utilizan métodos de inferencia para determinar aquella configuración que es más probable teniendo en cuenta las medidas que se van obteniendo.El principio básico que subyace en cualquier solución exitosa del SLAM es la regla de Bayes.—por ejemplo, el estado de un sistema compuesto por un mapa y un robot— basándose en la información contenida en otra variableEl método se basa en discretizar el espacio, dividiéndolo en unidades de tamaño predefinido, que se clasifican como ocupadas o vacías con un determinado nivel de confianza o probabilidad.Entre sus ventajas cabe destacar las siguientes: Recientemente han aparecido variantes de este método que mejoran sustancialmente algunos aspectos.En la tesis de Michael Montemerlo se realiza un detallado análisis de la formulación Bayesiana del problema SLAM, y se llega a una conclusión que resulta muy intuitiva y casi evidente.Este tipo de algoritmos, o técnicas, están compuestos fundamentalmente por 5 módulos diferenciados.Estos son la inicialización, la localización, el mapeado, la re-localización y por último la optimización del mapeado.
STANLEY, ganador del 2005 DARPA Grand Challenge, incorpora SLAM como parte de su sistema de conducción autónoma
