Um robô que se move precisa responder a duas perguntas: como é o lugar e onde eu estou nele. O detalhe cruel é que cada resposta depende da outra. SLAM é o nome da saída desse impasse.
O problema do ovo e da galinha
Para desenhar um mapa, o robô precisa saber de onde está observando cada coisa. Para saber onde está, precisa comparar o que vê com um mapa. Sem nenhum dos dois prontos, o sistema teria que começar do zero — e é exatamente isso que Simultaneous Localization and Mapping faz: constrói o mapa e a própria posição em paralelo, corrigindo os dois a cada novo dado.
A sigla apareceu na robótica acadêmica nos anos 1980 e 1990 e hoje roda em hardware barato. O aspirador que percorre a sala em linhas paralelas em vez de esbarrar aleatoriamente está fazendo SLAM.
As três engrenagens
Todo sistema de SLAM combina três coisas. A primeira é a odometria: a estimativa de deslocamento a partir do próprio movimento — quantas voltas as rodas deram, o que a unidade inercial registrou de aceleração e rotação. É barata e imediata, mas acumula erro. Roda que escorrega no tapete gera centímetros de engano que nunca mais somem sozinhos.
A segunda é a percepção do ambiente: LiDAR, câmeras, sonar ou sensores de profundidade produzem uma leitura do que está em volta. Cada leitura é uma oportunidade de corrigir a odometria, porque reconhecer uma quina já vista diz mais sobre a posição real do que qualquer contagem de rodas.
A terceira é a otimização: o software mantém uma hipótese sobre o mapa e sobre a trajetória, e reescreve as duas quando chegam evidências novas. Não existe uma resposta “verdadeira” guardada em algum lugar — existe a melhor explicação para tudo o que o robô mediu até agora.
Fechamento de laço: o momento decisivo
O evento mais importante do SLAM tem nome próprio: loop closure, ou fechamento de laço. É quando o robô reconhece que voltou a um lugar por onde já passou. Nesse instante, todo o erro acumulado desde a última visita pode ser redistribuído ao longo da trajetória, e o mapa inteiro “assenta”.
É por isso que mapas de SLAM às vezes parecem tortos no meio do processo e ficam retos de repente. E é por isso que ambientes com corredores longos e idênticos — garagens, galpões, hospitais — são difíceis: o robô tem pouca informação distintiva para reconhecer onde já esteve.
Sabores de SLAM
| Abordagem | Sensor principal | Ponto forte | Ponto fraco |
|---|---|---|---|
| LiDAR SLAM | Laser de varredura | Precisão geométrica alta, funciona no escuro | Sensor mais caro; sofre com superfícies reflexivas e vidro |
| SLAM visual | Câmera comum ou estéreo | Hardware barato, mapa rico em textura | Depende de luz e de cena com detalhe visual |
| SLAM visual-inercial | Câmera + unidade inercial | Robusto a movimento rápido e a borrões | Exige calibração cuidadosa entre os sensores |
| SLAM por profundidade | Câmera RGB-D | Geometria direta em ambiente interno | Alcance curto; atrapalhado por luz solar |
Onde isso costuma quebrar
- Ambientes sem textura. Paredes lisas e brancas dão pouca informação para o SLAM visual se ancorar.
- Cenas dinâmicas. Pessoas andando entram no mapa como se fossem paredes se o sistema não souber filtrar o que se move.
- Mudança de layout. Um mapa salvo envelhece: móvel trocado de lugar vira discrepância entre o que o robô espera e o que mede.
- Sequestro do robô. Levantar o aparelho e colocá-lo em outro cômodo quebra a continuidade da trajetória e força uma relocalização do zero.
- Espelhos e vidro. O sensor enxerga profundidade onde existe obstáculo, ou obstáculo onde existe reflexo.
Por que vale entender
SLAM é a peça que transforma um robô que reage num robô que planeja. Sem mapa, a única estratégia possível é responder ao obstáculo quando ele aparece. Com mapa e posição, dá para escolher a rota, dividir a área, voltar à base e retomar de onde parou.
Na hora de avaliar um robô — doméstico, logístico ou agrícola —, perguntar como ele se localiza e o que acontece quando perde a referência revela mais sobre o produto do que qualquer número de potência de sucção ou de autonomia de bateria.