SLAM em robótica é a técnica que permite a um robô construir um mapa de um ambiente e, ao mesmo tempo, estimar a própria posição nesse mapa. A sigla vem de Simultaneous Localization and Mapping, ou localização e mapeamento simultâneos. É uma tecnologia importante para robôs móveis que precisam circular sem depender de um mapa pronto, como robôs de limpeza, veículos de logística, plataformas de inspeção e máquinas usadas em áreas onde o GPS não funciona bem.
Na prática, o robô combina leituras de sensores com informações sobre seu movimento. O resultado não é uma compreensão humana completa do espaço: normalmente é uma representação geométrica, como uma grade de ocupação com áreas livres, obstáculos e regiões ainda desconhecidas. Essa diferença é importante porque um mapa criado por SLAM ajuda na navegação, mas não substitui sozinho a percepção, o planejamento de rota ou as regras de segurança.
O que SLAM significa em um robô
Um robô precisa resolver duas perguntas relacionadas: “onde estou?” e “como é o ambiente ao meu redor?”. Se ele já tivesse um mapa confiável, poderia concentrar-se na localização. Se soubesse com precisão onde está, poderia construir um mapa mais facilmente. O SLAM trata os dois problemas juntos porque cada estimativa ajuda a melhorar a outra.
Enquanto se movimenta, a máquina observa paredes, móveis, portas, marcas no chão ou outros elementos. Ela compara as observações atuais com as anteriores e calcula uma trajetória provável. Quando reconhece um lugar já visitado, pode corrigir o acúmulo de erro da odometria. Essa correção é chamada de fechamento de ciclo: o sistema percebe que voltou a uma área conhecida e ajusta o mapa e a trajetória para que sejam mais consistentes.
O mapa mais comum em projetos de robôs terrestres é uma grade de ocupação 2D. Cada célula recebe uma probabilidade de estar livre, ocupada ou desconhecida. Em aplicações tridimensionais, o sistema pode representar altura, volume e formas mais complexas, mas também passa a exigir mais processamento, memória e sensores adequados.
Como o SLAM funciona passo a passo
1. Sensores capturam o ambiente
O robô pode usar um LiDAR, uma câmera, sensores de profundidade, ultrassom ou uma combinação deles. Um LiDAR emite pulsos de laser e mede o tempo ou a fase de retorno para estimar distâncias. Câmeras podem identificar características visuais e estimar profundidade, mas dependem mais da iluminação, da textura da cena e da qualidade da calibração.
Também entram dados de odometria, normalmente derivados das rodas, e de uma unidade de medição inercial, com acelerômetros e giroscópios. Esses dados não são perfeitos: rodas podem escorregar, sensores podem sofrer ruído e uma câmera pode perder referências em uma superfície uniforme. Por isso, o sistema precisa combinar evidências em vez de confiar cegamente em uma única fonte.
2. O sistema estima o movimento
A odometria fornece uma previsão de quanto o robô avançou, girou ou mudou de orientação. Essa previsão é útil para acompanhar o movimento em alta frequência, mas o erro tende a crescer com o tempo. Um pequeno erro de direção repetido em muitos metros pode deslocar bastante a posição calculada.
O estimador de estado combina a previsão com medições dos sensores. Em arquiteturas ROS, por exemplo, pacotes de localização podem receber mensagens de odometria, IMU e poses com incerteza para produzir uma estimativa mais coerente. O sistema não elimina a incerteza; ele a representa e tenta reduzi-la à medida que novas observações chegam.
3. O algoritmo relaciona as observações
O algoritmo procura correspondências entre a leitura atual e o que já foi observado. Em LiDAR, isso pode significar alinhar conjuntos de pontos ou varreduras. Em visão computacional, pode envolver características identificadas em diferentes quadros. O objetivo é calcular a transformação que melhor explica a mudança de posição entre as observações.
Em seguida, o sistema atualiza uma estrutura de poses e um mapa. Algoritmos diferentes usam filtros, otimização de grafos, nuvens de pontos ou métodos híbridos. Não existe uma solução universal: o melhor método depende da velocidade do robô, do tipo de sensor, do tamanho do ambiente, da necessidade de operar em 2D ou 3D e do computador disponível.
4. O fechamento de ciclo corrige o mapa
Quando o robô volta a um local conhecido, o reconhecimento dessa área fornece uma restrição adicional. O sistema pode distribuir a correção pela trajetória inteira, evitando que o mapa fique “esticado” ou desalinhado. Em ambientes grandes, o fechamento de ciclo é especialmente importante, pois a simples integração da odometria tende a acumular erro.
Quais sensores são usados no SLAM
LiDAR costuma oferecer medições geométricas precisas e funciona sem iluminação visível, o que o torna comum em robôs móveis internos. Porém, superfícies muito reflexivas, transparentes ou absorventes podem produzir leituras difíceis, e o equipamento acrescenta custo e consumo de energia.
Câmeras podem entregar muita informação visual com hardware acessível. O SLAM visual ou visual-inercial é útil quando há textura suficiente no cenário. Em contrapartida, mudanças bruscas de luz, pouca iluminação, movimento rápido e paredes sem detalhes podem reduzir a confiabilidade.
Sensores de profundidade e ultrassom complementam a percepção. A profundidade ajuda a estimar obstáculos próximos, enquanto o ultrassom pode ser útil para detectar objetos em certas faixas de distância. Nenhum desses sensores resolve sozinho todos os casos, por isso projetos reais costumam combinar fontes e definir limites de segurança independentes do mapa.
SLAM, localização e navegação são a mesma coisa?
Não. SLAM cria ou atualiza um mapa enquanto estima a pose do robô. Localização, em sentido mais restrito, tenta encontrar a pose em um mapa que já existe. Navegação inclui ainda o planejamento de caminho, a prevenção de colisões, o controle de velocidade e a execução dos comandos.
Em uma pilha de navegação, um módulo pode gerar o mapa, outro localizar o robô nele e outro calcular uma rota. A documentação do Nav2, conjunto de navegação do ecossistema ROS 2, separa tarefas de mapeamento, localização e costmap. O costmap é uma representação usada pelo planejador para considerar obstáculos e áreas de risco, inclusive informações atualizadas pelos sensores.
Essa separação explica por que um robô pode continuar se movendo mesmo quando o mapa está correto, mas a localização falha. Também explica o caso inverso: o robô pode saber onde está em um mapa, mas não conseguir traçar um caminho porque há um obstáculo móvel ou porque a configuração de segurança bloqueou a passagem.
Onde o SLAM é usado
Em casas, o SLAM ajuda aspiradores robôs a criar uma planta de ambientes e repetir rotas com mais eficiência. Em armazéns, robôs móveis usam mapas e localização para transportar materiais, embora a operação dependa também de regras de tráfego, sensores de segurança e integração com o sistema de gestão.
Na indústria e na infraestrutura, a técnica pode apoiar inspeções em locais internos, túneis, minas e instalações onde sinais de satélite são fracos ou inexistentes. Em robôs de pesquisa, o SLAM permite explorar ambientes desconhecidos e registrar a geometria observada para análise posterior. Em veículos autônomos, ele é apenas um componente de uma arquitetura muito maior, que inclui detecção de objetos, previsão, planejamento e controle.
Para quem desenvolve protótipos, o ecossistema ROS 2 oferece pacotes como o SLAM Toolbox, voltado a aplicações 2D, e ferramentas de navegação que podem consumir o mapa produzido. A escolha do pacote não elimina o trabalho de configurar frames, sincronização de tempo, tópicos, calibração e parâmetros do sensor.
Limitações e problemas comuns
O SLAM pode falhar em ambientes muito repetitivos, com corredores idênticos ou poucas referências. Objetos móveis também confundem o mapa: pessoas, caixas e portas abertas podem ser interpretados como parte permanente do cenário. Em câmeras, iluminação e desfoque são fatores críticos; em LiDAR, vidro e superfícies com comportamento óptico difícil podem gerar leituras incompletas.
Outro problema é a calibração. Se a posição relativa entre sensor, base e rodas estiver errada, o algoritmo recebe dados incompatíveis e pode produzir mapas inclinados, duplicados ou deslocados. A sincronização também importa: uma leitura de sensor associada ao instante errado pode fazer o robô parecer estar em uma posição diferente daquela em que realmente estava.
O mapa não deve ser tratado como uma garantia de segurança. Um objeto novo pode surgir depois do mapeamento, e uma área livre no mapa pode estar bloqueada na operação. Por isso, a navegação precisa manter percepção em tempo real, limites de velocidade, parada de emergência e validações próprias do ambiente. O desempenho observado em um laboratório também não pode ser transferido automaticamente para uma casa, fábrica ou área externa.
Quando vale a pena usar SLAM
SLAM faz sentido quando o robô precisa operar em ambientes sem mapa confiável, atualizar a representação do espaço ou lidar com mudanças de configuração. Ele é particularmente útil em protótipos de robôs móveis, inspeção interna e automação em locais onde instalar marcadores ou preparar previamente toda a rota seria caro.
Uma solução baseada em mapa pronto pode ser mais simples quando o espaço é estável, conhecido e controlado. Da mesma forma, GPS, marcadores visuais, trilhas magnéticas ou sensores de infraestrutura podem ser melhores em ambientes específicos. A decisão deve considerar precisão necessária, custo, privacidade, iluminação, mobilidade dos obstáculos, processamento disponível e consequência de um erro.
Em resumo, SLAM é a base que permite a muitos robôs transformar medições em uma estimativa simultânea de mapa e posição. Ele não é sinônimo de autonomia completa, mas fornece uma camada essencial para que outros módulos planejem e executem movimentos. Entender suas entradas, incertezas e limites é mais importante do que escolher um algoritmo apenas pela popularidade ou pelo nome do sensor.