一句话定义
SLAM（Simultaneous Localization and Mapping，同步定位与建图）是指移动机器人在完全陌生的环境里，一边推断"我此刻在哪里"，一边把"周围长什么样"画成地图的技术。
为什么要"同时"做两件事
想象你蒙着眼睛被带进一栋陌生大楼，只能靠摸墙、数步子来判断方位。这时候问题来了：想画地图，得先知道自己站在哪，否则画出来的图没有参照；想知道自己在哪，又得先有地图，否则没法比对。
这就是鸡生蛋、蛋生鸡。SLAM 的解法是：不追求一步到位，而是边走边猜、边猜边改。机器人靠激光雷达（LiDAR）、摄像头、惯性测量单元（IMU）、轮速计等传感器感知环境，先算出相邻两帧之间"我大约挪了多少"——这叫里程计（Odometry）。再把一段段相对位移拼起来，同时把探测到的障碍物按位置写进地图。
核心难题：误差会像滚雪球一样累积
里程计每步都有小误差，走几百米后地图就可能歪得不成样子，这叫漂移（Drift）。对抗漂移的关键一步是回环检测（Loop Closure）：当机器人绕一圈回到起点附近，算法认出"这地方我来过"，于是把之前漂出去的轨迹和地图整体拉回来对齐。
典型流程是：前端里程计估相对运动 → 回环检测找"故地重游" → 后端优化做全局调整 → 输出地图（常见形式有栅格地图、点云地图、语义地图）。传感器配置和具体算法以各家官方文档为准。
和相邻概念的区别
| 概念 | 已知条件 | 求解目标 |
|---|---|---|
| 定位（Localization） | 已有地图 | 我在哪 |
| 建图（Mapping） | 已知位置 | 环境长什么样 |
| 里程计（Odometry） | 无（只用传感器） | 相对挪动了多少，会漂移 |
| SLAM | 两者都未知 | 位置和地图一起求 |
一句话：定位是"拿着地图找自己"，SLAM 是"地图还没画，先自己找自己"。
对从业者和普通人意味着什么
普通人其实天天在用它的下游成果：扫地机器人自己摸清户型并记住充电座位置；商场里的 AR 导航；自动泊车；无人机的室内飞行；VR/AR 头显判断你转头幅度。没有 SLAM，这些设备在没见过的环境里就是"睁眼瞎"。
对从业者来说，SLAM 长期是几何加概率的方法论，靠滤波（如卡尔曼滤波、粒子滤波）和图优化打底；近年深度学习的加入主要体现在特征提取、语义分割、端到端位姿估计等环节，但工程落地仍然是"多传感器融合 + 后端优化"的骨架。实际选型时最该盯的指标是定位精度、漂移大小、算力占用，以及在弱纹理、人流遮挡、光照突变下的鲁棒性。