即时定位与地图构建[38]（Simultaneous Localization and Mapping，SLAM）技术最早在1988年被提出，之后一直用于机器人研究的自主移动领域，即人工智能方面。在完全陌生的室内环境中，机器人配备摄像头和其他一系列传感器后，SLAM技术可以帮助机器人确定自身位置并且扫描室内环境构建自身所处环境的地图，实现机器人的自主行走。因此，SLAM是一个自适应室内定位系统，它主要用在机器人定位领域。例如，机器人在未知区域导航需要具有确定自己的位置、完成构建周围环境地图的功能。SLAM使机器人在目标领域内运行的同时能够绘制周围环境地图，摄像头和传感器采集到的数据越多，机器人对环境的“熟悉”程度就越高，相应的定位精度也会提高；采集的每个数据要同时用于定位和制图，使得机器人能够确定自身位置，采取下一步动作。

对于SLAM，存在很多测距方法，如有主动立体成像、静态双眼或三眼成像，以及单眼成像等[39]。在SLAM的研究中，使用检测环境数据的立体成像传感器，可以有效帮助提高最后的定位精度和测绘环境地图性能；立体成像传感器和原始数据处理的模型化对SLAM的最终结果会产生巨大的影响。在SLAM技术使用过程中，卡尔曼滤波器[40]（KF）可以有效滤除数据采集过程中产生的噪声，在系统噪声满足高斯分布的情况下，KF可以使用状态循环方程来估计机器人的优化姿态并预测机器人下一步的动向；但是如果噪声不服从高斯分布，那么利用KF进行滤波，会使得机器人的定位出现较大的误差。(www.daowen.com)

SLAM室内定位主要依靠视觉传感器（相机镜头）对所在的环境进行扫描，并且进行数据的采集和存储，当采集到足够多的数据后就可以通过算法构建扫描区域的地图，并提取地图中的特征点、线、面作为特征地物，通过判断距离特征地物的距离来确定待定目标在地图中的位置。因此，SLAM室内定位的精度取决于前期扫描的定位精度以及构建地图的准确度；SLAM室内定位技术有其固有的缺陷：采集图像数据量巨大，处理需要大量的时间，无法实时建立地图；受光线条件限制较大，在黑暗环境下工作精度受影响较大。