Simultane Lokalisierung und Kartierung: SLAM einfach erklärt
Kurze Antwort
SLAM ist ein Schätzverfahren, mit dem ein mobiles System in einer unbekannten Umgebung gleichzeitig eine Karte aufbaut und seine eigene Position darin bestimmt. Weil beide Größen einander bedingen, werden Bewegungsschätzung und Sensormessung fortlaufend gemeinsam korrigiert. Aus dem Verfahren entstehen Karten, die Pfadplanung, Hindernisvermeidung und Navigation erst möglich machen.
Das Wichtigste
- Lokalisierung braucht eine Karte, Kartierung braucht eine bekannte Position: SLAM löst beide Aufgaben gleichzeitig.
- Odometrie liefert eine schnelle, aber driftende Schätzung, die durch Laser- oder Kameradaten korrigiert wird.
- Das Extended Kalman Filter gilt als klassischer Kern der Zustandsschätzung, faktorisierte Varianten wie FastSLAM behandeln Roboterbahn und Landmarken getrennt.
- Lidar-, visuelles, akustisches und Multi-Sensor-SLAM unterscheiden sich vor allem in Sensorik und Robustheit.
- Fehlzuordnungen von Landmarken und Drift gehören zu den häufigsten Fehlerquellen.
Was bedeutet simultane Lokalisierung und Kartierung?
Simultane Lokalisierung und Kartierung, im Englischen Simultaneous Localization and Mapping und abgekürzt SLAM, bezeichnet die Fähigkeit eines mobilen Systems, in einer unbekannten Umgebung gleichzeitig eine Karte aufzubauen und darin die eigene Position zu schätzen. Beide Aufgaben bedingen einander: Für die Positionsbestimmung braucht das System eine Karte, für den Kartenaufbau braucht es eine bekannte Position.
SLAM ist damit kein einzelnes Bauteil, sondern ein Schätzverfahren. Ein Roboter erhält Messwerte aus seinen Sensoren und Bewegungsbefehle, die an die Aktoren für Antrieb und Bewegung gehen. Aus beidem berechnet die Software eine Wahrscheinlichkeitsverteilung über mögliche Positionen und ein Modell der Umgebung. Beide Größen werden gemeinsam fortgeschrieben, weil sie sich gegenseitig stützen.
Praktisch relevant wird das überall dort, wo keine vorab erfasste Karte existiert: in Privatwohnungen, auf Baustellen, in Lagerhallen, in denen sich Regale verschieben, oder in Räumen, die ein Serviceroboter zum ersten Mal betritt.
Warum SLAM ein zirkuläres Problem ist
Kartierung heißt, aus bekannten Positionen ein Modell der Umgebung abzuleiten. Lokalisierung heißt, aus einer bekannten Karte die eigene Position abzuleiten. SLAM verlangt beides gleichzeitig, obwohl am Anfang weder Karte noch Position vorliegen. Genau darin liegt die Schwierigkeit: Jede der beiden Größen ist die Voraussetzung für die andere.
Die erste Schätzung liefert meist die Odometrie, also die Fortschreibung der Bewegung aus Radumdrehungen und Motorsteuerung. Sie ist günstig und immer verfügbar, driftet aber, weil Schlupf, unebener Untergrund und Messfehler sich mit der Zeit addieren. Ein Laserabtaster oder eine Kamera liefert dagegen absolute Beobachtungen von Wänden, Ecken und Kanten. Diese Beobachtungen korrigieren die Drift, sind ohne grobe Positionsschätzung jedoch nicht eindeutig zuzuordnen.
Ein typischer Fehlerfall zeigt, warum das Bewegungsmodell dazugehört. Werden nur Bild- oder Punktwolkendaten ausgewertet, kann die Schätzung sprunghaft um mehrere Meter springen, obwohl sich der Roboter nur langsam fortbewegt. Solche Ausreißer fängt entweder ein Wiederherstellungsverfahren ab, oder man fusioniert das Bewegungsmodell mit mehreren Sensoren, sodass die Berechnung auf breiterer Datenbasis steht.
Wie SLAM Schritt für Schritt abläuft
- Bewegung schätzen: Aus Radumdrehungen, Trägheitssensoren oder Motorsteuerung entsteht eine vorläufige neue Position.
- Umgebung messen: Laserabtastungen oder Kamerabilder liefern Entfernungen und Merkmale.
- Merkmale extrahieren: Aus den Rohdaten werden markante Punkte wie Ecken, Kanten oder Liniensegmente gewonnen.
- Zuordnen: Die neuen Beobachtungen werden mit bereits bekannten Landmarken abgeglichen.
- Zustand schätzen: Ein Filter oder ein Optimierungsverfahren korrigiert Position und Karte gemeinsam.
- Karte aktualisieren: Neue Landmarken kommen hinzu, alte werden präzisiert oder verworfen.
Für die Merkmalsextraktion gibt es mehrere Ansätze. Spike-Verfahren nutzen starke Sprünge zwischen zwei benachbarten Laserstrahlen und scheitern in glatten Umgebungen ohne Kanten. RANSAC zieht zufällige Stichproben aus den Messpunkten, passt per Ausgleichsrechnung eine Gerade an und verwirft Ausreißer. Nur die als Inlier eingestuften Punkte fließen in das Modell ein.
Der Extended-Kalman-Filter gilt als klassischer Kern der Zustandsschätzung. Er beschreibt nichtlineare Bewegungs- und Messmodelle und korrigiert die angenommene Position anhand der beobachteten Landmarken. Für große Umgebungen wird der Rechenaufwand hoch, weshalb faktorisierte Varianten wie FastSLAM entstanden, die die Bahn des Roboters und die Positionen einzelner Landmarken getrennt behandeln. Die Bewegungsbefehle selbst setzen korrekt berechnete Gelenkwinkel voraus, ein Thema der inversen Kinematik in der Robotik.
Welche Sensoren und SLAM-Varianten es gibt
| Variante | Sensorik | Stärke | Schwäche |
|---|---|---|---|
| Lidar-SLAM | Laserabtaster | präzise Entfernungen, arbeitet auch bei schwachem Licht | hohe Kosten, empfindlich bei Nebel und Regen |
| Visuelles SLAM | eine oder mehrere Kameras | günstige Hardware, dichte Merkmale | empfindlich bei schnellen Bewegungen und Gegenlicht |
| Multi-Sensor-SLAM | Kamera, Lidar, IMU, Odometrie | robust gegen Ausfall einzelner Quellen | aufwendige Kalibrierung und Fusion |
| Akustisches SLAM | Mikrofonarray | ortet Schallquellen und Sprecher im Raum | geringe Reichweite und Genauigkeit |
Die akustische Variante zeigt, dass SLAM nicht auf optische Sensoren festgelegt ist. Ein bewegtes Mikrofonarray kann Sprecher und Schallquellen in seiner Umgebung vermessen und dabei seine eigene Bewegung mitführen, was an die Verfahren der Räumlichkeit von Audio in VR anknüpft.
Wo SLAM heute zum Einsatz kommt
Ein Saugroboter ohne SLAM fährt mehr oder weniger zufällig durch den Raum, reinigt dieselbe Fläche mehrfach und zieht dabei unnötig Strom aus dem Akku. Mit SLAM zählt er Radumdrehungen, wertet Kamerabilder aus und baut daraus eine Belegungskarte. Die Folge sind geordnete Bahnen, weniger Doppelarbeit und längere Laufzeiten pro Ladung.
In Lagerhäusern navigieren ganze Flotten mobiler Roboter zwischen Regalen, im Straßenverkehr sucht ein selbstfahrendes Auto eine freie Parklücke, und eine Zustelldrohne fliegt durch unbekanntes Gelände. In all diesen Fällen liefert die Karte die Grundlage für Pfadplanung und Hindernisvermeidung.
Autonome Fahrzeuge nehmen dabei eine Sonderstellung ein. Viele Systeme vereinfachen das Kartierungsproblem, indem sie auf vorab erfasste, sehr detaillierte Kartendaten zurückgreifen. Diese Karten können einzelne Fahrbahnmarkierungen und Bordsteinkanten enthalten, teils ergänzt durch verortete Bilddaten aus Straßenaufnahmen. Übrig bleibt dann überwiegend eine Lokalisierungsaufgabe; nur bewegliche Objekte wie Fahrzeuge und Personen werden zur Laufzeit in die Karte eingetragen.
In Augmented Reality hält SLAM die virtuelle Ebene an der realen Umgebung fest, damit eingeblendete Objekte beim Bewegen des Geräts an ihrem Platz bleiben. Wie das im Einzelnen funktioniert, steht unter SLAM in Augmented Reality.
Wo die Grenzen von SLAM liegen
- Fehlende Wiederbeobachtung: Eine Landmarke taucht nicht in jedem Einzelbild auf, wodurch die Korrektur zeitweise ausbleibt.
- Fehlzuordnung: Ein neues Merkmal wird fälschlich einer bereits bekannten Landmarke zugeordnet, was die Karte verzerrt.
- Drift: Kleine Fehler summieren sich über lange Strecken, bis ein Schleifenschluss die Karte wieder ausrichtet.
- Dynamik: Personen, Fahrzeuge und bewegte Regale verändern die Umgebung während der Fahrt.
Hinzu kommt der Rechenaufwand. Je größer die Karte und je mehr Landmarken verwaltet werden, desto teurer wird jede Aktualisierung. Deshalb arbeiten moderne Systeme mit Schlüsselbildern, Unterkarten oder Faktorisierung. In Umgebungen ohne auswertbare Struktur, etwa in langen, gleichförmigen Tunneln oder unter Wasser, fehlen verwertbare Merkmale, und die Schätzung stützt sich fast vollständig auf die driftende Odometrie.
Weitere häufige Fragen
Was ist der Unterschied zwischen Lokalisierung und Kartierung?
Bei der Lokalisierung ist die Karte bekannt und es wird nur die Position gesucht. Bei der Kartierung ist die Position bekannt und es entsteht die Karte. SLAM erledigt beides zugleich, obwohl zu Beginn keine der beiden Größen feststeht.
Warum reicht Odometrie für SLAM nicht aus?
Radumdrehungen liefern nur eine relative Fortschreibung. Schlupf, Bodenunebenheiten und Messfehler addieren sich, sodass die Schätzung über die Zeit wegdrifft. Absolute Beobachtungen aus Laser oder Kamera korrigieren diese Abweichung.
Welche Sensoren werden für SLAM verwendet?
Verbreitet sind Laserabtaster, eine oder mehrere Kameras, Trägheitssensoren und die Radodometrie. Multi-Sensor-Systeme kombinieren mehrere Quellen, damit der Ausfall eines Sensors die Schätzung nicht sofort unbrauchbar macht.
Warum nutzen selbstfahrende Autos kaum noch echtes SLAM?
Viele Hersteller erfassen die Strecke vorab sehr genau und speichern feine Details wie Fahrbahnmarkierungen in der Karte. Damit reduziert sich die Aufgabe im Betrieb auf die Lokalisierung innerhalb einer bekannten Karte.
Was passiert, wenn SLAM eine Landmarke falsch zuordnet?
Die Karte und die geschätzte Position verschieben sich gegeneinander. Solche Fehler sind schwer rückgängig zu machen, weil nachfolgende Messungen auf der verzerrten Karte aufbauen.
Verwandte Seiten
- PID-Regler Robotik Bewegungssteuerung: Grundlagen
Ein PID-Regler vergleicht den Sollwert einer Roboterbewegung mit dem gemessenen Istwert und berechnet daraus ein Steuersignal. Seine proportionalen, integralen und differentiellen Anteile reagieren auf den aktuellen Fehler, auf anhaltende Abweichungen und auf die Fehleränderung.
- Wie funktioniert ROS in der Robotik? Architektur erklärt
ROS ist kein Betriebssystem, sondern eine Middleware: Sie verbindet eigenständige Programme, sogenannte Nodes, über Topics, Dienste und Aktionen zu einem Robotersystem. Der Kern bleibt klein, die eigentliche Arbeit steckt in Paketen für Treiber, Navigation und Wahrnehmung. Seit 2018 löst ROS 2 die erste Generation ab und bringt DDS-basierte Kommunikation, Sicherheitsfunktionen und Unterstützung für mehrere Roboter.
- Uncanny Valley Robotik: Warum humanoide Roboter gruseln
Das Uncanny-Valley-Phänomen beschreibt einen Einbruch der Sympathie bei Objekten, die fast, aber nicht ganz menschlich wirken. In der Robotik trifft er vor allem humanoide Androiden mit fotorealistischer Oberfläche, und Bewegung verstärkt ihn. Experimente zeigen den Effekt deutlich bei Sympathiebewertungen, schwächer beim indirekt gemessenen Vertrauen.
- Sensoren autonome Roboter: Was AMR wirklich brauchen
Autonome mobile Roboter kombinieren Radencoder, Inertialsensorik, Lidar, Kameras, Ultraschall und zertifizierte Sicherheits-Laserscanner, weil jedes Messprinzip einen blinden Fleck hat. Erst die Fusion mehrerer Quellen liefert eine Positionsschätzung, die auch bei Schlupf, Glasflächen oder Gegenlicht trägt. Sicherheitsrelevante Abschaltungen laufen dabei getrennt von der Navigationssensorik.
- Roboter-Endeffektoren: Typen, Greifsysteme und Anwendungen
Roboter-Endeffektoren sind die Werkzeuge am Ende eines Roboterarms und entscheiden darüber, was der Roboter mit einem Werkstück tun kann. Sie lassen sich in Greifer, Prozesswerkzeuge und Sensoren einteilen; Greifsysteme arbeiten über Formschluss, Reibung, Unterdruck, Magnetkraft oder Adhäsion. Die passende Wahl folgt aus Werkstück, Aufgabe, Umgebung und Schnittstelle.
- Cobot vs. Industrieroboter: Unterschiede im Vergleich
Cobots und Industrieroboter unterscheiden sich vor allem in Traglast, Geschwindigkeit, Absicherung und Kosten. Industrieroboter sind für große Serien mit hohem Takt und schweren Lasten gebaut, Cobots für wechselnde Aufgaben und den geteilten Arbeitsraum bei deutlich niedrigerem Einstiegspreis. Die Wahl richtet sich nach Werkstück, Taktzeit und Umgebung, nicht nach einer pauschalen Rangfolge.
Wie diese Seite entstanden ist
Vor dem Schreiben wurde das Thema in den unten genannten Quellen recherchiert. Danach hat die Seite automatische Qualitätsprüfungen bestanden.