Damit mobile Roboter sich selbstständig, effizient und kollisionsfrei bewegen können, benötigen sie zweierlei: erstens eine genaue Karte ihrer unmittelbaren Umgebung und zweitens Daten über ihre eigene Position und Ausrichtung innerhalb der kartierten Umgebung. Sowohl in Gebäuden als auch im freien Gelände liegen jedoch häufig keine verlässliche Karteninformationen vor. Auch die Positionsbestimmung der Roboter, beispielsweise über GPS, ist oft nicht mit der notwendigen Genauigkeit zu gewährleisten. Eine Möglichkeit, mit der mobile Roboter sich dennoch in derartigen Räumen orientieren und kollisionsfrei navigieren können, ist die sogenannte „Simultane Positionsbestimmung und Kartenerstellung“ (deutsch für Simultaneous Localization and Mapping).
Die SLAM-Methode basiert auf dem Ansatz, dass Roboter dank Kamera oder Sensoren wie Lidar („Light Detection and Ranging“) dazu in der Lage sind, relative Messungen der Umgebungsgeometrie vorzunehmen. Die Position des Roboters kann zu Beginn der Messung als Ausgangspunkt eines Koordinatensystems gewählt werden. Mithilfe der Messdaten wird dann simultan eine Karte der Umgebung erstellt und kontinuierlich erweitert. Der Roboter misst in der Regel dabei auch seine Bewegungen, indem er auf Geschwindigkeits-, Lenkwinkel und Gyroskopdaten zugreift.
Schrittweises Vorgehen
Unverzichtbar für den Kartenaufbau und algorithmisch am anspruchsvollsten ist die verlässliche Assoziation der tatsächlichen Messungen von Kamera- oder LIDAR-Sensor mit zuvor identifizierten Orientierungspunkten. Solche Punkte sind beispielsweise die Ecken eines Hindernisses innerhalb der zu erstellenden Karte. Für die Umsetzung des SLAM-Verfahrens gibt es unterschiedliche methodische Ansätze. Gemeinsam ist allen, dass zu Beginn noch keine Karte vorhanden ist, die Position des vermeintlichen Roboters den Ursprung des Koordinatensystems definiert und die Karte inkrementell erweitert wird. Nach einer vollführten Bewegung kann dann anhand der neu erfassten Umfeldgeometrie und möglicherweise mittels eines Vergleichs mit dem kinematischen Bewegungsmodell des Roboters bestimmt werden, welcher Teil des Umfeldes bereits vermessen wurde, welche der Orientierungspunkte mit neuen Messungen assoziiert werden können und welche neue Orientierungspunkte eingeführt werden können.
SLAM eignet sich sowohl für Haushalts- wie Spezialroboter
Das SLAM-Verfahren kann seine Stärken vor allem bei der Kartierung von stationären Umgebungen ausspielen. Da jede Messung störungsbehaftet ist, wird ein Orientierungspunkt erst dann in die Karte aufgenommen, wenn er mehrmals durch den Laser-Scanner oder die Kamera in einer näheren Umgebung um den erfassten Ort detektiert wurde. Dies bedeutet aber auch, dass sich schnell und insbesondere ungleichmäßig bewegte Objekte nicht mit dem SLAM-Standardansatz berücksichtigen lassen und daher in der Regel herausgefiltert werden. Robotersteuerungen, die auf SLAM basieren, müssen dies berücksichtigen. Zugleich existieren Forschungsansätze, die auch die explizite Behandlung dynamischer Objekte in angepassten SLAM-Varianten ermöglichen.
Im Consumer-Bereich wird SLAM bereits für die Steuerung von Staubsaugrobotern eingesetzt. Auch für autonome Fahrzeuge und Roboter wurde SLAM bereits vielfach eingesetzt. Zu nennen sind hier insbesondere Anwendungen in schwer zugänglichen oder lebensfeindlichen Umgebungen, wie beispielsweise im Bergbau oder der Katastrophenhilfe. Ein weiteres Anwendungsfeld ist der Einsatz innerhalb von Gebäuden sowie für die Steuerung von Drohnen. Für autonome Fahrzeuge im Straßenverkehr greift man aufgrund der hohen Komplexität derzeit eher zu hochgenauen Karten, wodurch sich das Problem zu einem reinen Lokalisierungsproblem vereinfacht.