Wesloo
Todos los temasTemas

Robótica

Localización y mapeo simultáneos (SLAM): qué es

Respuesta breve

La localización y mapeo simultáneos, o SLAM, es el método con el que un robot construye un mapa de un entorno que no conoce y calcula su posición dentro de ese mapa a la vez. Resuelve un problema circular: para localizarse necesita un mapa, y para hacer el mapa necesita saber dónde está. Los sistemas actuales combinan odometría, láser o cámara con un filtro probabilístico para estimar ambas cosas manteniendo controlada la incertidumbre.

Puntos clave

  • Localizar exige un mapa y mapear exige una posición: el SLAM resuelve las dos dependencias al mismo tiempo.
  • La odometría sola acumula error; los sensores externos y el cierre de bucle lo corrigen.
  • El filtro de Kalman extendido es el motor clásico; FastSLAM factoriza trayectoria y mapa para abaratar el cálculo.
  • Hay variantes visual, con láser, multi-sensor y acústica según el sensor disponible.
  • Los coches autónomos suelen evitar el SLAM completo apoyándose en mapas previos muy detallados.

La localización y mapeo simultáneos es el problema que aparece cuando un robot no sabe dónde está ni cómo es el lugar que lo rodea, y tiene que resolver las dos cosas a la vez. La sigla inglesa SLAM (Simultaneous Localization and Mapping) nombra ese doble cálculo: levantar un mapa del entorno mientras se estima la posición del propio robot dentro de ese mapa.

No se trata de una técnica única, sino de una familia de métodos. Comparten la misma estructura: un modelo de cómo se mueve el robot, uno o varios sensores que observan el entorno y un estimador que reparte la confianza entre lo que el robot predice y lo que mide.

Qué problema resuelve la localización y mapeo simultáneos

Localizar y mapear parecen tareas separadas, pero se necesitan la una a la otra. Para situarse, un robot compara lo que captan sus sensores con un mapa que ya conoce. Para dibujar ese mapa, necesita saber desde qué punto tomó cada medida. Con solo una de las dos piezas, la otra queda indefinida.

La odometría ofrece una primera respuesta: contando vueltas de rueda y giros, el robot estima cuánto se ha desplazado. El problema es la acumulación de error. Un desfase mínimo en el diámetro de una rueda o en el deslizamiento se suma a cada paso, y tras recorrer un pasillo largo la posición calculada puede quedar a metros de la real. Los sensores externos corrigen esa deriva, pero solo si el robot puede interpretarlos dentro de un mapa que todavía no existe.

La pregunta que define el campo es si un robot puede construir poco a poco un mapa coherente del entorno y, al mismo tiempo, determinar su posición dentro de él, sin partir de ninguna información previa. En la práctica la respuesta es que sí, siempre que el sistema conserve la correlación entre lo que cree saber de su posición y lo que cree saber del entorno. Esa correlación es lo que separa el SLAM de resolver las dos tareas por su cuenta y juntar después los resultados.

Localización, mapeo y SLAM: tres problemas distintos

Conviene distinguir los tres términos, porque el vocabulario se mezcla con facilidad.

TareaPreguntaPunto de partida
Localización¿Dónde estoy?Un mapa ya construido
Mapeo¿Cómo es el entorno?Posiciones conocidas
SLAM¿Dónde estoy y cómo es el entorno?Ninguna de las dos respuestas

En la localización pura, el mapa entra como dato y el robot solo estima su pose: posición y orientación. En el mapeo puro, el robot da por buena su trayectoria y va colocando obstáculos y rasgos en un plano. El SLAM ataca los dos frentes con la misma información, así que su salida no es un mapa ni una trayectoria, sino ambos a la vez, cada uno con su incertidumbre asociada.

Cómo funciona un sistema SLAM paso a paso

  1. Predicción con el modelo de movimiento. El robot usa las órdenes que envió a sus motores y las lecturas de sus encoders para estimar cuánto se ha desplazado desde el instante anterior. Esos encoders van montados en el propio mecanismo, de modo que la calidad de la medida depende del tipo de actuador que mueve cada eje.
  2. Lectura de los sensores externos. Un escáner láser barre el entorno y devuelve distancias; una cámara entrega imágenes; una matriz de micrófonos capta sonido. Cada sensor tiene su ritmo y su retardo, y sincronizarlos con la odometría es una de las partes más delicadas. Un desfase de pocos milisegundos entre el escaneo y la cuenta de vueltas desplaza los puntos lo suficiente para estropear el mapa.
  3. Extracción de rasgos. Del torrente de datos se seleccionan elementos estables: esquinas, bordes, columnas, muebles. A esos puntos se les llama landmarks o puntos de referencia.
  4. Asociación de datos. El sistema decide si el rasgo que acaba de ver es uno ya registrado o uno nuevo. Es la decisión más arriesgada, porque un error aquí contamina el mapa de forma permanente.
  5. Actualización del filtro. Con la predicción y la observación, el filtro recalcula la pose y la posición de cada landmark, dando más peso a la fuente que en ese momento resulta más fiable.
  6. Cierre de bucle. Cuando el robot vuelve a un lugar ya visitado y reconoce rasgos conocidos, corrige de golpe toda la trayectoria acumulada. Sin este paso, un recorrido circular termina con el mapa partido en dos mitades que no encajan.

El filtro de Kalman extendido es el motor clásico del proceso. Trabaja con relaciones no lineales entre el estado del robot y las medidas, y reparte la confianza entre el modelo de movimiento y lo que observan los sensores. Si el robot está muy seguro de haberse desplazado un metro, pesa más la predicción; si un landmark aparece con nitidez, pesa más la observación. FastSLAM planteó el problema de forma factorizada, separando la estimación de la trayectoria de la del mapa, lo que rebaja el coste de cálculo en entornos grandes.

Cómo se eligen los puntos de referencia

No todo rasgo sirve. Un buen landmark se reconoce desde varios ángulos, no se mueve y no se confunde con el objeto de al lado. Hay dos familias clásicas de detectores.

Espigas

El detector de espigas busca cambios bruscos entre haces láser consecutivos. Funciona bien en pasillos con columnas, marcos de puertas y muebles esquineros. En una sala de paredes lisas no encuentra nada y el sistema se queda sin referencias estables.

RANSAC

RANSAC toma muestras aleatorias de las lecturas del láser y ajusta una recta por mínimos cuadrados al conjunto. Después clasifica cada punto como interior o exterior al modelo y repite el proceso con las muestras que mejor encajan. El resultado son líneas de pared o bordes largos que se pueden seguir fotograma a fotograma, incluso con ruido y con puntos espurios.

Tipos de SLAM según el sensor

VarianteSensor principalCuándo conviene
Visual (vSLAM)CámaraInteriores con textura, drones ligeros, realidad aumentada
Con láserEscáner láserSuperficies amplias, exteriores, poca luz
Multi-sensorLáser, cámara, inerciaCuando ningún sensor basta por sí solo
Acústico (a-SLAM)Matriz de micrófonosRobots que se orientan por sonido

El SLAM visual ganó terreno a comienzos de la década de 2000, cuando los rasgos invariantes a escala mostraron que una cámara bastaba para localizarse y mapear a la vez. El SLAM con láser sigue siendo la opción más robusta para cubrir grandes extensiones. El SLAM acústico, desarrollado para matrices de micrófonos que se desplazan entre altavoces, resuelve el mismo problema con ondas de sonido en lugar de luz.

Dónde se aplica

Los casos de uso comparten una condición: el entorno no está cartografiado de antemano y nadie puede prepararlo.

  • Aspiradoras robot que recorren la casa sin repetir zonas ni chocar dos veces con la misma silla.
  • Flotas de robots móviles que colocan estanterías en almacenes y necesitan saber dónde están entre pasillos idénticos.
  • Drones que entregan un paquete en un jardín desconocido y vuelven por donde vinieron.
  • Coches que buscan hueco y aparcan solos en un estacionamiento sin referencias externas.
  • Cascos y móviles de realidad aumentada que anclan objetos virtuales a mesas y paredes reales.

En todos ellos el mapa no es un fin, sino la entrada de otras tareas: planificación de rutas, evitación de obstáculos y seguimiento de trayectoria. El número de grados de libertad del robot marca cuántas variables hay que estimar en cada instante y, por tanto, cuánto cuesta mantener el mapa al día.

SLAM en realidad aumentada

Un teléfono o unas gafas que superponen capas digitales sobre la escena real afrontan el mismo problema a escala de centímetros y a decenas de imágenes por segundo. Necesitan saber dónde está la cámara, cómo se mueve y qué forma tiene la habitación, sin más hardware que la propia cámara y un acelerómetro. El SLAM aplicado a la realidad aumentada aprovecha rasgos visuales del entorno para sostener el anclaje de los objetos virtuales. Aquí la exactitud importa menos que la estabilidad: un objeto que vibra o se desliza unos milímetros arruina la sensación de presencia. El retardo entre el movimiento de la cabeza y la imagen mostrada, conocido como latencia motion to photon, condiciona cuánto puede tardar el sistema en reaccionar sin que el usuario lo note.

Cuándo falla el SLAM

Los fallos tienen causas reconocibles.

  • Deriva sin corrección. Si el robot recorre una ruta larga y no vuelve a ver rasgos ya conocidos, el error de posición crece sin freno.
  • Referencias que no se vuelven a observar. Un landmark visto una sola vez no aporta nada después y puede quedar mal situado para siempre.
  • Asociaciones falsas. Confundir una columna con otra parecida dobla el mapa y rompe la trayectoria.
  • Entornos pobres en rasgos. Túneles, fondos marinos o naves vacías ofrecen pocas referencias estables. El láser no ayuda bajo el agua, donde la propagación funciona de otra manera.
  • Saltos de posición. Un sistema que estima la pose solo con imagen y nube de puntos, sin usar el modelo de movimiento, puede dar un salto imposible, por ejemplo un desplazamiento de diez metros entre dos lecturas consecutivas. Se corrige fusionando el modelo de movimiento con varios sensores o añadiendo un algoritmo de recuperación que devuelva el sistema a una pose coherente.

Mapas previos: el atajo de los coches autónomos

Muchos vehículos autónomos en circulación no resuelven el SLAM completo. Circulan por zonas cartografiadas de antemano con un detalle extremo, hasta el punto de registrar cada tramo de línea blanca y cada bordillo, y a veces incorporan datos visuales georreferenciados del estilo de los mapas de calles con imágenes. Con esa base, el problema se reduce a localización: el vehículo solo tiene que encajar lo que ve con el mapa guardado y actualizar en tiempo real los objetos móviles, como otros coches y peatones. El ahorro de cómputo es enorme, pero limita la conducción autónoma a las carreteras previamente levantadas.

Otras preguntas frecuentes

¿Qué significa la sigla SLAM?

Viene del inglés Simultaneous Localization and Mapping, es decir, localización y mapeo simultáneos. Designa el cálculo con el que un robot averigua su posición y levanta el mapa del entorno en la misma operación.

¿En qué se diferencia SLAM de la localización a secas?

La localización da por supuesto que el mapa ya existe y solo estima la pose del robot. El SLAM no tiene ese mapa y lo va construyendo a la vez que se sitúa en él, con la incertidumbre repartida entre las dos estimaciones.

¿Por qué no basta con la odometría?

Porque el error se acumula sin límite. Cada vuelta de rueda aporta un pequeño desfase que se suma al anterior, y en recorridos largos la posición calculada acaba muy lejos de la real. Hace falta un sensor externo que ancle el cálculo al entorno.

¿Qué es el cierre de bucle?

Es el momento en que el robot reconoce un lugar por el que ya pasó y usa ese reencuentro para corregir toda la trayectoria acumulada. Sin este paso, un recorrido circular produce un mapa con dos mitades desalineadas.

¿Se usa SLAM fuera de la robótica?

Sí. La realidad aumentada en móviles y gafas lo emplea para anclar objetos virtuales a superficies reales, y los vehículos autónomos lo combinan con mapas previos muy detallados o lo sustituyen por localización pura cuando circulan por zonas ya cartografiadas.

Páginas relacionadas

  • Controlador PID robótica control de movimiento

    Un controlador PID calcula una señal de corrección a partir de la diferencia entre la posición o velocidad deseada y la medida en un robot. Combina tres acciones: proporcional, integral y derivativa, cuyos ajustes determinan la rapidez, la precisión y la estabilidad del movimiento.

  • Cómo funciona ROS en robótica: arquitectura y conceptos

    ROS es una capa de software intermedia de código abierto que conecta programas independientes dentro de un robot mediante nodos, mensajes y paquetes reutilizables. No es un sistema operativo: aporta abstracción de hardware, control de dispositivos, paso de mensajes y gestión de paquetes. Sobre esa base se montan percepción, localización, planificación y control.

  • Valle inquietante robótica: el rechazo a lo casi humano

    El valle inquietante robótica es la caída de agrado que aparece cuando un robot se parece mucho a una persona sin llegar a serlo. En esa franja el observador siente extrañeza o desconfianza, y el movimiento intensifica el efecto. El diseño lo reduce manteniendo coherencia entre textura, proporciones, voz y gestos, o renunciando al realismo.

  • Efectores finales en robótica: tipos, clasificación y usos

    Un efector final es el dispositivo montado en el extremo de un brazo robótico para interactuar con el entorno, normalmente una pinza o una herramienta. Se agrupan en pinzas, herramientas de proceso y sensores, y la elección depende de la tarea: agarre, unión, acabado o inspección. Cientos de variantes cubren aplicaciones que van del montaje de automóviles al envasado de medicamentos.

  • Robots colaborativos vs robots industriales: diferencias

    La diferencia de fondo es el propósito: el robot industrial maximiza velocidad, carga y precisión en lotes grandes y estables, mientras el cobot prioriza flexibilidad, trabajo junto a personas y facilidad de programación. Un cobot maneja entre 3 y 35 kg y se amortiza en torno a un año; un robot industrial supera los 1.000 kg y llega a ±0,01 mm de repetibilidad. La decisión depende de la tarea, del peso y de cuánta variación tiene el producto.

  • Sensores robots autónomos: qué lleva un AMR

    Un robot móvil autónomo no se orienta con un único dispositivo, sino con una combinación de odometría, inercia, medida de distancias, visión y detección de proximidad. Cada familia aporta datos que las demás no pueden dar, y el sistema los fusiona para calcular posición, rumbo y obstáculos en tiempo real. La elección concreta depende del entorno, del coste y de la precisión que exija la tarea.

Cómo se preparó esta página

Antes de redactarla, el tema se investigó en las fuentes de abajo. Después, la página superó controles de calidad automáticos.

Informar de un error en esta página