Simultane Lokalisierung und Kartierung (SLAM)

01Definition: ein Henne-Ei-Problem

Warum Kartierung und Lokalisierung gemeinsam gelöst werden müssen

Die Robotikforscher Hugh Durrant-Whyte und Tim Bailey formulierten die Kernfrage in ihrem grundlegenden Tutorial von 2006: Kann ein an einem unbekannten Ort in einer unbekannten Umgebung platzierter mobiler Roboter schrittweise eine konsistente Karte dieser Umgebung erstellen und dabei gleichzeitig seine eigene Position darin bestimmen? Die Lösung dieses Problems bezeichneten sie als „heiligen Gral“ auf dem Weg zu einem wirklich autonomen Roboter.

Dass sich das Problem nicht in zwei getrennte Schritte aufteilen lässt, wird oft als Henne-Ei-Problem beschrieben: Eine genaue Karte zu erstellen setzt voraus, in jedem Moment zu wissen, wo sich der Roboter befindet, und um herauszufinden, wo sich der Roboter befindet, braucht man bereits eine Karte, mit der sich die Sensordaten abgleichen lassen. Durrant-Whyte und Baileys eigene Erklärung geht noch weiter: Jede Landmarke, die ein Roboter beobachtet, wird relativ zu seiner eigenen unsicheren Position gemessen, sodass die daraus resultierenden Kartenschätzungen alle statistisch mit demselben Positionsfehler korreliert sind.

Karte und Position müssen gemeinsam geschätzt werden — keines von beiden lässt sich zuerst lösen.

Von der Odometriedrift zur Entstehung von SLAM

SLAM existiert, weil die Alternative, die Koppelnavigation, schnell versagt. Ein Aufsatz von 1997 zur Modellierung von Odometriefehlern brachte es auf den Punkt: Wegen Radschlupf, Bodenunebenheiten und kleiner Fehler durch die diskretisierte Abtastung der Radinkremente summiert sich der Positionsfehler der Odometrie „unbegrenzt“ auf, je länger sich ein Roboter bewegt.

Das Forschungsgebiet geht auf die IEEE Robotics and Automation Conference 1986 in San Francisco zurück, wo Forscher wie Peter Cheeseman, Jim Crowley und Hugh Durrant-Whyte begannen, statistische Schätzverfahren auf Kartierung und Lokalisierung anzuwenden. Das Akronym „SLAM“ selbst wurde erst fast ein Jahrzehnt später geprägt, in einem Aufsatz von 1995 zur Lokalisierung fahrerloser Transportfahrzeuge.

Unterschied zu GPS

Die Satellitenortung (GPS) ist eine weitere Möglichkeit, mit der ein Roboter seine eigene Position bestimmen kann.

02Drei Algorithmenfamilien und der Schleifenschluss

Wo GPS nicht hinreicht und keine feste Infrastruktur wie Bodenmarkierungen vorhanden ist, muss ein Roboter dieses gemeinsame Schätzproblem allein mit seinen eigenen Bordsensoren lösen. SLAM-Algorithmen lassen sich grob in drei Familien einteilen: EKF-SLAM, FastSLAM und graphbasiertes SLAM.

Wie die Verarbeitungspipeline funktioniert

Von den dreien ist graphbasiertes SLAM heute der dominierende Ansatz — hier ist, wie seine Verarbeitungspipeline funktioniert, von rohen Sensordaten bis zur aktualisierten Karte.

Im Kern des graphbasierten SLAM steht der Schleifenschluss: Aus den Sensordaten wird erkannt, dass der Roboter an einen zuvor besuchten Ort zurückgekehrt ist; dieser Treffer wird dann genutzt, um die über den gesamten Graphen akkumulierte Drift auf einen Schlag zu korrigieren.

Genau diese Korrektur verhindert, dass sich die Karte eines Roboters umso stärker verzerrt, je länger er die Umgebung erkundet.

Der Schleifenschluss funktioniert nicht immer zuverlässig. Wenn verschiedene Orte ähnlich aussehen — perzeptuelles Aliasing —, kann das System einen Ort mit einem anderen verwechseln und eine falsche Nebenbedingung einfügen, wodurch die Karte schlechter statt besser wird. Eine Benchmark-Studie von 2026 (ein noch nicht begutachteter Preprint) testete ORB-SLAM3 auf kilometerlangen synthetischen Außensequenzen und stellte fest, dass in einer sich wiederholenden Wüstenumgebung der aktivierte Schleifenschluss den Positionsfehler eines Durchlaufs von 4,12 auf 37,85 Meter erhöhte, weil das System eine falsche Übereinstimmung akzeptierte.

Von ORB-SLAM zum Basismodell-gestützten SLAM

Die graphbasierte Familie hat sich weit über ihre Ursprünge in den 1990er-Jahren hinaus weiterentwickelt — sie hat fotorealistische 3D-Rendering-Techniken aus der Computer-Vision-Forschung aufgenommen und baut zuletzt auf universellen 3D-Rekonstruktions-Basismodellen auf, statt auf einem eigens für SLAM von Grund auf trainierten Netzwerk.

03LiDAR-SLAM versus visuelles SLAM

Algorithmenfamilien sind die eine Achse; SLAM lässt sich auch danach unterteilen, welcher Sensor die Wahrnehmung übernimmt.

Die Kosten von LiDAR-Sensoren und den Wettbewerb um die Belieferung von Robotik-Kunden behandelt ausführlicher unser Marktartikel zu Sensorik und Wahrnehmung.

Beide kombinieren: Hybridsysteme

Manche Systeme kombinieren beide Sensoransätze. Eine RGB-D-Kamera vereint eine gewöhnliche Farbkamera mit einem Tiefensensor in einer einzigen Einheit. So verbindet sie die niedrigeren Hardwarekosten von visuellem SLAM mit einem Teil der Fähigkeit von LiDAR, Geometrie direkt zu messen — ganz ohne separaten Laserscanner.

KinectFusion, ein frühes System auf Basis von Microsofts Kinect-Tiefenkamera, zeigte 2011, dass sich eine vollständige 3D-Oberflächenrekonstruktion in Echtzeit genau mit dieser Art von kostengünstigem Kombisensor realisieren ließ.

04Von Saugrobotern zu Lagerrobotern

Haushaltsroboter: Kartierung mit Laser und Kamera

Umfang und Kosten einer SLAM-Implementierung hängen stark davon ab, in welches Gerät sie eingebaut ist — und die Unterscheidung Laser versus Kamera aus Abschnitt 03 zeigt sich direkt in Consumer-Produkten.

Bei Haushaltsrobotern ist der XV-11 von Neato Robotics, dessen Auslieferung im Juni 2010 begann, ein frühes Beispiel für einen Verbraucherroboter, der einen Raum mit einem rotierenden Lasersensor kartiert. Der Roomba 980 von iRobot (veröffentlicht im September 2015) war der erste Roomba mit iRobots eigenem kamerabasiertem SLAM, das das Unternehmen vSLAM nennt.

Konfigurierbare Open-Source-SLAM-Stacks

Bei manchen Industrie- und Forschungsrobotern können Nutzer das SLAM-Verfahren passend zur Aufgabe wählen. Das offizielle LIMO-Handbuch von AgileX Robotics beschreibt zwei Abläufe für LiDAR-SLAM: Gmapping für kleinere Räume und Googles graphoptimierungsbasierten Cartographer, der den Schleifenschluss in Echtzeit ausführt.

Nav2, der Standard-Navigationsstack des Roboter-Frameworks ROS 2, enthält SLAM Toolbox (entwickelt von Steve Macenski) als standardmäßige SLAM-Implementierung. Das offizielle SLAM-Tutorial von Nav2 demonstriert diesen Stack auf TurtleBot3, einer verbreiteten Forschungsplattform.

Feste Infrastruktur als Alternative zu SLAM

Nicht jeder autonome mobile Roboter (AMR) nutzt tatsächlich SLAM.

Laut Amazon liest Hercules, eine seiner Antriebseinheiten im Lager, zur Positionsbestimmung ein Raster codierter Bodenmarkierungen, während Pegasus in einem ähnlich strukturierten Feld arbeitet. Diese Systeme zeigen, dass ein AMR (autonomer mobiler Roboter) mit fester Infrastruktur autonom navigieren kann. SLAM ist eine Alternative, wenn sich ein Roboter in Räumen lokalisieren muss, die nicht mit solchen Markierungen ausgestattet sind.

Wachstum des Marktes für mobile Roboter

ABI Research nennt SLAM als eine der Technologien, die es mobilen Robotern ermöglichen, über ihre traditionelle Domäne in Lagerhaltung und Logistik hinaus in vielfältigere, weniger strukturierte Umgebungen vorzudringen. Die Prognose des Unternehmens von Dezember 2024 zeigt das schnellste Wachstum ausgerechnet in den neueren Segmenten, in denen diese Flexibilität am meisten zählt: Die Auslieferungen von Agrarrobotern sollen von 7.000 Einheiten im Jahr 2023 auf 129.000 im Jahr 2030 steigen (45 % CAGR), bei Lieferrobotern von 14.000 auf 147.000 (37 %) und bei Restaurantrobotern von 6.000 auf 78.000 (43 %). Wie es George Chowdhury, Robotik-Analyst bei ABI Research, formulierte, weiten mobile Roboter „die Automatisierung auf bislang wenig automatisierte Branchen aus“ — Einsätze, die davon abhängen, dass sich ein Roboter in einem Raum lokalisieren kann, den niemand vorab für ihn kartiert hat.

05Offene technische Herausforderungen

Je weiter sich diese Einsätze verbreiten, desto stärker fallen die verbleibenden Grenzen von SLAM ins Gewicht. Die in Abschnitt 02 behandelten Fehler durch perzeptuelles Aliasing sind nicht das einzige offene Problem — vor allem zwei Bereiche schränken noch ein, was SLAM heute zuverlässig leisten kann.

Ein aktiver Ansatz gegen die oben beschriebenen Grenzen bei Semantik und Generalisierung taucht bereits in der Algorithmen-Zeitleiste von Abschnitt 02 auf: Basismodell-gestütztes SLAM, das ein universelles 3D-Rekonstruktionsmodell wiederverwendet, statt ein SLAM-spezifisches Netzwerk von Grund auf zu trainieren.

06Einfachere Wege, SLAM einzusetzen

An diesen offenen Problemen arbeitet die Forschung Stück für Stück — die meisten Teams brauchen schlicht SLAM, das heute funktioniert. Einen SLAM-Stack von Grund auf zu bauen oder einen Open-Source-Stack wie die ROS-Optionen aus Abschnitt 04 zu konfigurieren, ist nicht mehr der einzige Weg. Drei Arten fertiger Lösungen übernehmen SLAM inzwischen selbst, sodass Entwickler es nicht mehr selbst tun müssen.

07Quellen