מיפוי ואיכון בו-זמניים (SLAM) היא המשימה שבה רובוט בונה מפה של סביבה לא-מוכרת ובה-בעת מאתר את מיקומו שלו בתוך אותה מפה שהוא בונה. ראשי-התיבות מייצגים Simultaneous Localization and Mapping.
זוהי בעיית "הביצה והתרנגולת" של הרובוטיקה. כדי לדעת היכן אני נמצא, דרושה מפה; כדי לצייר מפה, צריך לדעת מהיכן בדיוק נצפה כל דבר שנמדד. הרובוט אינו מחזיק אף אחד משני הדברים מראש, ולכן עליו לאמוד את שניהם יחד ולשפר את שניהם בכל צעד. מכיוון שכל מדידה נושאת רעש, השדה כולו מנוסח בשפה הסתברותית: הרובוט אינו מחזיק מיקום אחד ודאי אלא התפלגות של מיקומים אפשריים, שמתחדדת ככל שנאספות עדויות.
התפתחו כמה משפחות פתרון. מסנן קלמן המורחב היה השיטה המקובלת בשנות ה-90 ותחילת שנות ה-2000, עד שהוצג FastSLAM. מסנן חלקיקים מייצג את אי-הוודאות באמצעות אוסף השערות מתחרות, שכל אחת מהן מציעה מיקום אחר, וההשערות המוצלחות שורדות. GraphSLAM מנסח את הבעיה כגרף של אילוצים ופותר אותה כבעיית אופטימיזציה, וגישות של כיוונון-אלומות מעריכות יחדיו את מסלול הרובוט ואת מיקומי נקודות-הציון; שיטה כזו משמשת ב-ARCore של גוגל.
גם החיישנים מגוונים. SLAM מבוסס-לידאר נשען על סריקת מרחקים, ואילו SLAM חזותי משתמש במצלמה ומזהה בתמונה נקודות-עניין חוזרות. בשימוש נוספים גם סונאר, מכ"ם, מדידה אינרציאלית ואפילו עוצמת רשתות אלחוטיות.
היסטורית, העבודה של סמית' וצ'יזמן על ייצוג אי-ודאות מרחבית מ-1986 נחשבת ליסוד, ובראשית שנות ה-90 הובילה קבוצתו של יו דורנט-וייט את התחום; ראשי-התיבות עצמם נטבעו במאמר משנת 1995. אתגרי DARPA של שנות ה-2000, ובהם רכביו של סבסטיאן תרון, הביאו לתחום תשומת-לב עולמית.
השימוש נפוץ הרבה יותר משנדמה: משקפי מציאות-מדומה, רכב אוטונומי, רחפן, כלי-שיט תת-ימי ורכב-נחיתה פלנטרי. גם בבית — שואב-האבק Neato XV-11, שיצא ב-2010, היה מן הראשונים שהחליפו תנועה אקראית בניקוי בשורות ישרות בעזרת מיפוי לייזר.