SLAM（自己位置推定と地図生成）

01定義：「鶏が先か卵が先か」問題

地図作成と自己位置推定を同時に解く理由

ロボット工学者のHugh Durrant-WhyteとTim Baileyは、2006年の基礎的なチュートリアル論文で本質的な問いをこう定式化しました。未知の場所・未知の環境に置かれた移動ロボットは、その環境の一貫した地図を少しずつ作りながら、同時に地図内での自分の位置を特定できるか、というものです。両氏はこれを解くことを、ロボットを真に自律的にするための「聖杯」と呼びました。

この2つを順番に解けない理由は、しばしば「鶏が先か卵が先か」問題にたとえられます。正確な地図を作るには各時点でのロボットの位置が分かっている必要があり、ロボットの位置を知るには比較対象となる地図が既に必要だからです。Durrant-WhyteとBaileyの説明はさらに踏み込んでいます。ロボットが観測するランドマークは、いずれもロボット自身の（不確かな）位置を基準に測定されます。そのため、結果として得られる地図の推定値は、すべて同じ位置誤差と統計的に相関してしまいます。

地図と位置は、どちらか一方を先に解くことはできず、同時に推定する必要があります。

オドメトリの累積誤差からSLAMの誕生へ

SLAMが必要とされるのは、代替手段であるデッドレコニングがすぐに破綻するためです。オドメトリの誤差モデルを扱った1997年の論文は、車輪の空転・床面の凹凸・車輪増分の離散サンプリングに伴う小さな誤差により、ロボットが動き続けるほどオドメトリの位置誤差が「際限なく」蓄積すると説明しています。

この分野は、サンフランシスコで開催された1986年のIEEE Robotics and Automation Conferenceに遡ります。Peter Cheeseman・Jim Crowley・Hugh Durrant-Whyteらの研究者が、統計的な推定手法を地図作成と自己位置推定に応用し始めた場です。「SLAM」という略語自体が作られたのはその約10年後、1995年に発表された、無人搬送車の自己位置推定に関する論文でのことでした。

GPSとの違い

衛星測位（GPS）も自己位置を知る方法の一つです。

023つのアルゴリズム系統とループクロージャ

GPSが届かず、床面マーカーのような固定インフラもない空間では、ロボットは自前のセンサーだけでこの同時推定問題を解くしかありません。SLAMを解くアルゴリズムは、大きくEKF-SLAM・FastSLAM・グラフベースSLAMという3つの系統に分けられます。

処理パイプラインの仕組み

3つの中で現在最も広く使われているのがグラフベースSLAMです。生のセンサーデータから地図の更新に至るまで、その処理パイプラインの仕組みを見てみましょう。

グラフベースSLAMの核心にあるのが「ループクロージャ」です。ロボットが以前訪れた場所に戻ってきたことをセンサーデータから検知し、その一致情報を使ってグラフ全体に蓄積したずれを一度に補正する仕組みです。

この補正があるからこそ、探索が長くなってもロボットの地図がどんどん歪んでいくのを防げます。

ただし、ループクロージャは常に正しく働くとは限りません。知覚的エイリアシングが起きると、システムは誤った拘束条件をグラフに追加してしまい、地図はかえって悪化します。2026年のベンチマーク論文（査読前のプレプリント）は、キロメートル級の合成屋外シーケンスでORB-SLAM3を検証し、反復的な砂漠環境ではループクロージャを有効にすると、誤ったマッチを許容した結果、あるランの位置推定誤差が4.12mから37.85mへ悪化したと報告しています。

ORB-SLAMから基盤モデルSLAMへ

グラフベースの系統は、1990年代の起源から進化を続けています。フォトリアリスティックな3Dレンダリングに関するコンピュータビジョン研究の技術を取り込み、直近では、SLAM専用にゼロから学習させたネットワークではなく、汎用の3D再構成向け基盤モデルを土台にする方向へと進んでいます。

03LiDAR SLAM対Visual SLAM

アルゴリズムの系統だけでなく、どのセンサーで周囲を捉えるかによってもSLAMは分かれます。

LiDARセンサーのコストや、ロボティクス向け供給を巡る競争については、センサー・知覚市場の記事で詳しく扱っています。

両方を組み合わせる：ハイブリッド方式

両方のセンシング方式を組み合わせるシステムもあります。RGB-Dカメラは、通常のカラーカメラと深度センサーを1つのユニットにまとめたもので、独立したレーザースキャナーなしに、Visual SLAMの低いハードウェアコストと、LiDARの直接的な形状計測能力の一部を両立させます。

MicrosoftのKinect深度カメラを使った初期のシステムKinectFusionは、2011年に、まさにこの種の低コストな複合センサーからリアルタイムの完全な3D表面再構成が可能であることを示しました。

04掃除ロボットから倉庫用ロボットまで

家庭用ロボット：レーザーとカメラによる地図生成

SLAMの実装規模とコストは、組み込まれるロボットの用途によって大きく異なります。03章で見たレーザー対カメラという分かれ方は、家庭用ロボットの製品にもそのまま現れています。

家庭用ロボットでは、Neato RoboticsのXV-11（2010年6月に出荷開始）が、回転式レーザーセンサーで部屋の地図を作る家庭用ロボットの初期の例として知られています。iRobotのRoomba 980（2015年9月発売）は、同社が「vSLAM」と呼ぶ独自のカメラベースSLAMを搭載した最初のRoombaでした。

用途で選べるオープンソースSLAM構成

産業・研究用途のロボットには、用途に応じてSLAM方式を選べる製品もあります。AgileX RoboticsのLIMO公式マニュアルは、LiDAR SLAMの手順として、小規模な環境向けのGmappingと、リアルタイムのループクロージャを行うGoogleのグラフ最適化ベースのCartographerという2方式を案内しています。

ロボット開発フレームワークROS 2の標準ナビゲーションスタックであるNav2は、Steve Macenski氏が開発したSLAM Toolboxを既定のSLAM実装として採用しています。Nav2の公式SLAMチュートリアルでは、研究用ロボットの定番であるTurtleBot3上でこの構成を実演しています。

SLAMの代替となる固定インフラ

すべての自律走行搬送ロボット（AMR）がSLAMで動いているわけではありません。

Amazonによれば、同社の倉庫用搬送ユニットHerculesは床に配置した符号化マーカーの格子を読み取って自己位置を把握し、Pegasusも同種の構造化された走行領域で動作します。この例は、AMR（自律走行搬送ロボット）が固定インフラを使って自律走行できることを示します。SLAMは、そうしたマーカーを敷設していない空間で自己位置を推定するための選択肢の一つです。

モバイルロボット市場の成長予測

ABI Researchは、モバイルロボットが従来の主戦場である倉庫・物流を超えて、より多様で構造化されていない環境へ用途を広げるための基盤技術の一つにSLAMを挙げています。同社の2024年12月予測では、そうした柔軟性が特に重要になる新興セグメントで成長が際立っています。

農業用ロボットの出荷台数は2023年の7,000台から2030年に129,000台（年平均成長率45%）、配送ロボットは14,000台から147,000台（37%）、レストラン向けロボットは6,000台から78,000台（43%）へとそれぞれ拡大する見通しです。

ABI Researchのロボティクス分野アナリストGeorge Chowdhury氏は、モバイルロボットは「これまで自動化が進んでいなかった分野へと自動化を広げている」と述べています。こうした導入は、あらかじめ地図化されていない空間でもロボットが自分の位置を把握できることが前提になります。

05今後の技術的な課題

こうして導入が広がるほど、SLAMに残る限界の影響も大きくなります。02章で触れた知覚的エイリアシングの失敗例だけが問題ではなく、特に次の2つの領域は、今のSLAMがまだ確実にはこなせない部分です。

こうしたセマンティック理解や汎化性能の限界に対する取り組みの一つは、すでに02章のアルゴリズム年表に現れています。SLAM専用ネットワークをゼロから学習させる代わりに、汎用の3D再構成向け基盤モデルを再利用する「基盤モデルSLAM」です。

06SLAM技術を手軽に使う方法

こうした未解決課題の研究が進む一方で、多くの開発現場に必要なのは今すぐ使えるSLAMです。SLAMスタックをゼロから構築したり、04章のROS系オープンソース構成を設定したりするだけが選択肢ではなくなってきています。SLAM自体を肩代わりしてくれる既製の選択肢が、大きく3種類登場しています。

07出典