让一台机器人在从没去过的屋子里自己溜达、还知道自己"在哪、屋里有啥"，靠的就是 SLAM——同步定位与地图构建（Simultaneous Localization And Mapping）。这期把它讲明白。

一、先解决一个根本问题：误差

　　SLAM 之所以难，是因为所有测量都不完美、都有误差。传感器有噪音，电机有打滑，编码器数出来的"走了3米"其实可能只有2.9米。误差是躲不掉的——光刻机、机械臂、飞机、火箭，哪个不是带着误差造出来的？

　　关键在于：如果我们知道误差的上限，就能做出接近完美的机器。定位建图也一样，不是消灭误差，而是用算法把误差的影响压到最小。

二、开环 vs 闭环：为什么"没反馈就不智能"

　　这里要引入两个概念。

　　开环控制：只管发指令，不回头看结果。比如让电机转10秒，它真转了多少，系统不知道。误差只会越攒越大。

　　闭环控制：发完指令后用传感器"回头"检查结果，发现偏了立刻修正。这就是"反馈"——系统的输出被送回来和期望值对比，不断修正偏差。

　　前面文章讲过小车靠编码器能做到"前进20厘米99%精度"，本质就是闭环：期望走20厘米，编码器回传实际走了多少，差多少补多少，反复校正。自动化的简单小车是开环，真正的智能车一定是闭环——这是"认路"的地基。

三、SLAM：一边定位，一边建图

　　SLAM 是"鸡生蛋、蛋生鸡"的难题：要精确定位，得有地图；要建准地图，又得知道自己精确在哪。解法是交替进行：这刻用传感器和已有地图猜"我在哪"（定位），同时用新观察到的环境把地图更新一点（建图），反复迭代，两边一起变准。

　　它分几步：特征提取（找到墙、边、角等可辨识点）→ 数据关联（判断这次看到的和上次是不是同一个点）→ 状态估计（推算真实位置）→ 更新（修正地图和位姿）。

四、主流算法：从 EKF 到粒子滤波

　　算法百花齐放，入门最常听说的是这两类：

　　① 扩展卡尔曼滤波（EKF）：用数学模型把"传感器读数"和"运动预测"融合起来，得到比单独任何一项都准的位置估计。适合线性问题，是经典入门算法。

　　② 粒子滤波 + GMapping / Cartographer：用一大把"粒子"撒在地图上，每个粒子代表一个可能的位置，哪里的粒子和传感器观测最吻合，就说明机器人更可能在哪。配合回环检测（走回原点时把首尾对齐，消除累积误差），能建出精确的栅格地图。Cartographer 现在配合激光雷达用得非常普遍。

五、结论：SLAM 是无人驾驶和扫地机的共同底子

　　SLAM 不是遥不可及的黑科技——你家的扫地机器人、物流无人车、自动导引小车（AGV），都是它的应用。想学，最接地气的方式就是拿一台智能小车，从编码器闭环、到 IMU、再到上激光雷达跑一遍 SLAM，边玩边懂。

　　跑跑啦智能小车自带编码器闭环（精准控距）和全套传感器扩展接口，从"认距离"到"认房间"一步步进阶，正是入门 SLAM 的绝佳练手平台。

　　想深入了解，欢迎看我们的智能小车产品。淘宝店：paopaola.taobao.com。