SLAM 的全稱是simultaneous localization and mapping,也稱為CML (Concurrent Mapping and Localization)技術。它是一種定位與地圖構建，或併發建圖與定位的技術。具體可以理解為將一個機器人放入未知環境中的未知位置，是否有辦法讓機器人一邊逐步描繪出此環境完全的地圖。

所謂完全的地圖是指不受障礙行進到房間可進入的每個角落。

這對於無人駕駛來說至關重要，可以說是無人駕駛車的眼睛

大致可以用3個任務來代表機器人的整個步驟，第一個是定位，第二個是建圖，第三個是隨後的路徑規劃。

最早的一批SLAM技術是應用在掃地機器人身上，機器人透過用SLAM演算法結合鐳射雷達或者攝像頭，可以高效的繪製室內地圖，進行智慧分析和規劃掃地環境，從而讓自己完成作業

到時候估計無人駕駛汽車的技術就跟圖片上的一樣，每輛汽車不間斷的發出訊號，測算距離，學習周邊環境然後確保汽車不會追尾發生意外，和自動加速減速等操作！

SLAM也稱為並行建圖與定位，指的就是無人駕駛汽車在完全未知的環境中，從一個完全陌生的位置出發，在汽車執行的過程中，透過環境資訊，進行車體位置與航向的確定，同時自動建立地圖並對地圖進行實時的更新。SLAM為汽車位置和姿態估計提供了新的思路，可以有效保證定位精度。

儘管SLAM演算法已經有了良好的理論基礎，但是在實際應用中，仍然有許多實際的問題亟待解決。第一個問題就是不確定性處理。在實際的過程中，觀測的不確定性將導致校正失敗，更別說動態環境中的環境不確定性。如何處理不確定性，儘量減少不確定性引起的誤差，是SLAM的關鍵。

第二個亟待解決的問題就是資料關聯。資料關聯主要是對兩個特徵進行匹配，確定它們是否對應環境中的同一特徵。如果資料關聯出現不確定性，那麼將會導致濾波器發散。在SLAM過程中，資料關聯主要完成兩個方面的內容，第一個就是新環境的特徵檢測，第二個就是新環境的特徵匹配。

第三個要解決的問題就是計算複雜度。針對無人駕駛汽車而言，它要求地圖建立與定位必須能夠線上計算，因此對計算的複雜度要求比較高。因此研究如何降低SLAM演算法的複雜度具有重要的意義。

第四個要解決的問題就是累積誤差，SLAM的誤差來源主要有三個：觀測誤差，里程計誤差以及錯誤的資料關聯帶來的誤差。無人駕駛的位置誤差的增大將導致錯誤的資料關聯，從而增大特徵標誌的位置誤差；反過來，特徵標誌的誤差又將增大無人駕駛汽車的位置誤差。

第五個要解決的問題就是地圖表示法。SLAM屬於多維問題，隨著無人駕駛汽車不斷進行環境提取，環境特徵數目將會不斷增加，這就對計算機的儲存和處理提出了更高的要求。