SLAM ist die Abkürzung für Simultaneous Localization and Mapping, also simultane Lokalisierung und Kartierung. Es löst ein Henne-Ei-Problem: Um zu wissen, wo ich bin, brauche ich eine Karte — aber um eine Karte zu erstellen, muss ich wissen, wo ich bin. SLAM löst beide Aufgaben gleichzeitig: Der Roboter bewegt sich, setzt aus den Sensordaten laufend eine Karte der Umgebung zusammen und trägt zugleich seine eigene Position in dieselbe Karte ein.
Als Eingabe dienen meist Daten von Kameras (Visual SLAM), vom LiDAR oder eine Kombination davon, ergänzt um eine IMU zur Schätzung der Bewegung zwischen den Aufnahmen. Der Algorithmus sucht in der Szene charakteristische Punkte (Ecken, Kanten, Strukturen), verfolgt, wie sie sich bei der Bewegung des Roboters verschieben, und berechnet daraus sowohl die Trajektorie als auch die Geometrie des Raums. Ein wichtiger Bestandteil ist das sogenannte Loop Closure — das Erkennen, dass der Roboter an einen bereits besuchten Ort zurückgekehrt ist, was es ermöglicht, den aufsummierten Fehler zu korrigieren und die Karte „auszurichten”.
Für mobile Humanoiden ist SLAM die Grundlage der räumlichen Orientierung: Ohne es weiß der Roboter nicht, wo es zur Tür geht oder ob er in diesem Teil des Lagers schon war. Es ist aber eher eine reife, gut beherrschte Technologie aus der breiteren Robotik als eine Spezialität der Humanoiden — sie wird auch von autonomen Autos, Drohnen und Saugrobotern genutzt. Bei Humanoiden findet man sie dort, wo sie sich eigenständig in einer weitläufigen Umgebung bewegen sollen, etwa bei Logistikrobotern wie Digit oder Apollo.
SLAM verschafft dem Roboter ein räumliches Gedächtnis — ein geometrisches Gerüst, an das die höheren Schichten der Embodied AI dann Bedeutung knüpfen („hier ist ein Regal, dort die Laderampe”). Für sich allein löst es jedoch weder das Verstehen der Aufgabe noch die Manipulation; es ist die Navigationsgrundlage, nicht das Gehirn des Roboters. Die konkrete Implementierung bei einzelnen kommerziellen Humanoiden veröffentlichen die Hersteller meist nicht im Detail.