SLAM（同步定位与建图）本质是机器人位姿与地图构建的相互依赖问题，二者均未知，形成“先有鸡还是先有蛋”的循环。位姿误差与地图误差相互耦合，导致误差累积。此外，观测与地图间的对应关系（数据关联）未知，需通过特征匹配与概率模型推断，错误关联将引发全局误差传播。因此，SLAM必须联合估计位姿与地图，通过前后端协同实现鲁棒性。

本文解析SLAM概率公式 $ p(x_{0:T}, m \mid z_{1:T}, u_{1:T}) $，阐明机器人路径与环境地图的联合后验分布含义。通过贝叶斯网络图模型，揭示运动模型、观测模型与全局不变地图之间的因果依赖关系，强调地图作为未知变量需同步估计，区别于传统定位。该框架为自动驾驶中高精度定位与建图提供理论基础，欢迎项目合作。

SLAM（同步定位与建图）旨在解决机器人在未知环境中同时定位自身位置并构建地图的问题。给定控制输入序列 $ u_{1:T} $ 与观测数据 $ z_{1:T} $，目标是估计机器人轨迹 $ x_{0:T} $ 与环境地图 $ m $。由于运动与观测均存在不确定性，SLAM采用概率框架，利用贝叶斯推理对状态进行递推估计，实现高精度的定位与建图。

机器人建图的概念以及相关术语