SLAM

SLAMは、ロボットが未知または不完全な環境を移動しながら、自分がどこにいるかを推定すると同時に、その環境の地図を構築・更新する問題と技術群です。

SLAMとは

SLAMはSimultaneous Localization and Mappingの略で、日本語では「自己位置推定と地図作成の同時実行」と説明されます。移動ロボットやドローン、AR機器などが、あらかじめ完全な地図を持っていない環境を動きながら、「自分はいまどこにいるのか」と「周囲はどんな形をしているのか」を同時に推定する問題です。^[1]

直感的には、自己位置が分からなければ観測を地図上の正しい場所に置けず、地図がなければ自己位置を確かめにくい、という「鶏と卵」の関係があります。SLAMは、センサー観測と移動履歴を使い、この相互依存を確率的推定や最適化として解きます。

なぜ地図と位置を同時に求めるのか

既知の地図と十分に正確な位置情報があれば、SLAMは不要な場合があります。屋外でGNSSが安定し、高精度地図も利用できる用途なら、既知地図上のLocalizationだけで済むこともあります。しかし屋内、地下、倉庫、災害現場、未知環境ではGNSSが使えなかったり、地図が古かったり、そもそも存在しなかったりします。

そこでロボットは、カメラ、LiDAR、IMU、車輪エンコーダーなどから得る観測を使い、少しずつ周囲の構造と自己位置を同時に推定します。前に見た壁や柱、特徴点を再び観測できれば、過去の位置との関係を修正でき、地図全体のゆがみを減らせます。

SLAMの典型的な構成

多くのSLAMでは、センサー入力から対応点や特徴を取り出し、短時間の運動を追跡するフロントエンドと、長い時間範囲で軌跡や地図の整合性を最適化するバックエンドに分けて説明されます。厳密な構成は方式ごとに違いますが、この見方は論文を読むときに役立ちます。

短時間の運動推定だけを続けると、小さな誤差が積み重なって軌跡が徐々にずれます。これをドリフトと呼びます。ロボットが以前訪れた場所に戻ったとき、「ここは前に来た場所だ」と認識して軌跡を全体的に修正する処理がloop closure（ループ閉じ込み）です。SLAMの性能を見るとき、ループ閉じ込みがどれだけ頑健かは重要です。

Visual、LiDAR、Visual-Inertial

Visual SLAMは主にカメラ画像を使います。カメラは安価で情報量が大きい一方、暗所、強い照明変化、模様の少ない壁、激しい動きなどでは追跡が難しくなることがあります。

LiDAR SLAMはレーザー点群を使い、距離や三次元形状を直接扱いやすいのが特徴です。一方でセンサーコスト、反射条件、点群処理量などが設計上の要素になります。

Visual-Inertial SLAMはカメラとIMUを組み合わせます。カメラが幾何情報を与え、IMUが高頻度の運動変化を補います。これはSensor Fusionの一例でもあります。近年の研究でも、弱テクスチャ、遮蔽、高速運動、動的環境などに対する頑健性は継続的な研究対象です。^[3]

OdometryやLocalizationとの違い

Odometryは、時間的に隣り合う観測から相対的な移動量を積み上げる考え方です。Visual Odometryなら画像、LiDAR Odometryなら点群から逐次運動を推定します。Odometryだけでは長時間のドリフトを完全には抑えにくく、過去地点との再対応や地図全体の最適化を含むSLAMとは範囲が異なります。

Localizationは、既知の地図がある前提で、その地図に対して現在位置を求める問題です。一方SLAMは地図そのものも未知または更新対象です。ただし実製品では「SLAM」という商品名の中に、地図作成フェーズと既存地図上のLocalizationフェーズの両方が含まれることがあります。

「地図」とは何か

SLAMの地図は、人間向けの道路地図とは限りません。点群、占有格子、特徴点群、面や線の幾何モデル、意味ラベル付きのセマンティックマップなど、用途によって形式が変わります。ロボットが障害物回避だけを行うなら局所的な占有地図で足りるかもしれません。長期運用や物体操作まで考えるなら、物体カテゴリや部屋構造など意味情報が重要になります。

したがって「高精度SLAM」と書かれていても、何の地図について、どの尺度で、どの評価指標を使った高精度なのかを確認する必要があります。

SLAMは解決済みか

研究の歴史が長く、条件の良い環境では非常に高性能なSLAMが実用化されています。しかし「完全に解決済み」と考えるのは早計です。長期運用では家具や照明、季節、人の流れが変化します。鏡や透明物、繰り返し模様、暗所、粉塵、雨雪、群衆のような条件も難しさを増します。計算資源や消費電力、センサー故障も現場では重要です。

元の文脈へ戻るときのチェックポイント

SLAMという語を見たら、次を確認してください。

• どのセンサーを使うか。
• 地図は2Dか3Dか、幾何か意味情報付きか。
• 既知地図なしで開始するのか、既存地図を使うのか。
• ループ閉じ込みや全体最適化があるか。
• 動く人や車などをどう扱うか。
• 位置精度だけでなく、失敗率や再ローカライズ性能を評価しているか。
• 実験環境が実運用条件を代表しているか。

SLAMを「ロボットが地図を作る機能」とだけ覚えるより、位置と地図を互いに使って同時に整合させる推定問題だと理解すると、ロボティクスの説明が読みやすくなります。

関連AI用語

• Sensor Fusion（G351）
• Autonomous Driving（G353）
• Autonomous Mobile Robot（AMR）（G354）

注・出典

1. Cadena et al., Past, Present, and Future of SLAM — 環境モデル構築と移動ロボット状態推定を同時に行うSLAMの標準的説明。↩
2. Placed et al., Active SLAM survey — SLAMと、地図品質を高めるための行動選択を含むActive SLAMの境界。
3. WEMA-VINS, IEEE RA-L 2026 — Visual-Inertial SLAMで弱テクスチャ等への頑健性が現在も研究課題である例。↩

AI協働制作について