🔢 mathematics

When Simultaneous Localization and Mapping Meets Wireless Communications: A Survey

Dieser Artikel gibt einen Überblick über die bidirektionale Integration von Simultaneous Localization and Mapping (SLAM) und drahtloser Kommunikation, hebt hervor, wie visuelles SLAM RF-Daten zur Skalierungslösung nutzen kann, während drahtlose Netzwerke von visueller Odometrie profitieren, und skizziert abschließend aktuelle Techniken, Herausforderungen sowie das zukünftige Potenzial gemeinsamer Kommunikations- und SLAM-Systeme.

Ursprüngliche Autoren: Konstantinos Gounis, Sotiris A. Tegos, Dimitrios Tyrovolas, Panagiotis D. Diamantoulakis, George K. Karagiannidis

Veröffentlicht 2026-05-22

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Konstantinos Gounis, Sotiris A. Tegos, Dimitrios Tyrovolas, Panagiotis D. Diamantoulakis, George K. Karagiannidis

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einen dunklen, nebligen Raum zu navigieren, während Sie eine Taschenlampe halten. Sie müssen zwei Dinge gleichzeitig wissen: wo Sie sich befinden und wie der Raum aussieht. Dies ist die Kernherausforderung von SLAM (Simultaneous Localization and Mapping).

Lange Zeit haben Roboter und autonome Fahrzeuge versucht, dies mit nur einem Werkzeug zu lösen: ihren „Augen" (Kameras). Dies wird Visuelles SLAM genannt. Doch Kameras haben Grenzen. Wenn es zu dunkel ist, wenn ein Spiegel im Weg steht oder wenn die Kamera mit Schlamm bedeckt wird, verliert der Roboter die Orientierung.

Dieser Artikel ist eine umfassende Übersicht darüber, was passiert, wenn wir aufhören, uns nur auf die Augen zu verlassen, und beginnen, die „Ohren" und die „Haut" des Roboters zu nutzen, um die Luft um ihn herum zu spüren – genauer gesagt, drahtlose Signale (wie Wi-Fi, 5G und 6G). Die Autoren argumentieren, dass die Kombination dieser beiden Sinne ein übermenschlich leistungsfähiges Navigationssystem schafft.

Hier ist eine Aufschlüsselung der Hauptgedanken des Artikels mit einfachen Analogien:

1. Die zwei besten Freunde: Augen und Radiowellen

Stellen Sie sich einen Roboter als eine Person vor, die versucht, sich in einem Labyrinth zurechtzufinden.

Die Augen (Visuelles SLAM): Diese sind hervorragend darin, Details zu erkennen. Sie können eine rote Tür oder einen bestimmten Stuhl ausmachen. Doch sie haben Schwierigkeiten, wenn das Licht ausgeht oder wenn sich der Roboter zu schnell bewegt und das Bild verschwimmt. Außerdem geraten Kameras oft bezüglich der Skalierung in Verwirrung. Sie könnten ein Spielzeugauto sehen und denken, es sei ein echtes Auto, weil sie die Entfernung ohne Referenz nicht bestimmen können.
Das Radio (Drahtloses Sensing): Dies ist wie ein Sonar oder Radar. Es sendet Signale gegen Wände und misst, wie lange sie brauchen, um zurückzukehren. Es ist egal, ob es dunkel ist oder ob sich der Roboter schnell bewegt. Es kann Ihnen genau sagen, wie weit eine Wand entfernt ist.

Die große Idee des Artikels: Wenn man sie kombiniert, wirken die Radiosignale wie ein „Lineal" für die Kamera. Das Radio sagt der Kamera: „Dieses Objekt ist 5 Meter entfernt", was die Verwirrung der Kamera bezüglich Größe und Entfernung behebt. Umgekehrt kann die Kamera dem Radio helfen, indem sie identifiziert, wogegen das Signal abprallt (z. B. „Das ist ein Auto, keine Wand"), was dem Radio hilft vorherzusagen, wohin das Signal als Nächstes gehen wird.

2. Passiv vs. Aktiv: Zuhören vs. Tanzen

Der Artikel unterteilt diese Teamarbeit in zwei Stile:

Passives SLAM (Der Zuhörer): Der Roboter fährt einfach weiter, lauscht den Radiosignalen und schaut durch die Kamera. Er nutzt die Daten, die er natürlich empfängt, um eine Karte zu erstellen. Es ist wie das Durchschreiten eines Raumes, bei dem man einfach bemerkt, wo die Möbel stehen, ohne etwas zu berühren.
Aktives SLAM (Der Tänzer): Hier wird es clever. Der Roboter merkt: „Ich bin mir nicht sicher, wo diese Ecke ist." Also ändert er absichtlich seinen Kurs oder richtet seine Antenne in eine bestimmte Richtung, um ein besseres Signal zu erhalten. Es ist wie ein Detektiv, der absichtlich durch einen Tatort läuft, um einen besseren Blickwinkel auf einen Hinweis zu bekommen. Der Roboter bewegt sich absichtlich, um seine Karte genauer zu machen oder ein stärkeres Wi-Fi-Signal zu erhalten.

3. Der „Digitale Zwilling" und die „Geisterkarte"

Der Artikel erwähnt, dass wir einen Digitalen Zwilling erstellen können. Stellen Sie sich eine Videospielversion der realen Welt vor, die sich in Echtzeit aktualisiert.

Der Roboter sendet seine Kamerabilder und Radiodaten an einen leistungsstarken Computer (in der „Cloud" oder am Rand des Netzwerks).
Dieser Computer erstellt eine perfekte 3D-Karte des Raumes.
Diese Karte wird sofort an den Roboter zurückgesendet.
Selbst wenn die Kamera des Roboters von einer Kiste blockiert wird, weiß der „Digitale Zwilling", dass die Kiste dort ist, weil die Radiosignale von ihr abgeprallt sind. Der Roboter kann „durch" die Kiste hindurchsehen, indem er die Karte nutzt.

4. Die „Intelligente Oberfläche" (RIS)

Der Artikel spricht über eine neue Technologie namens Rekonfigurierbare Intelligente Oberflächen (RIS). Stellen Sie sich eine Wand vor, die mit Tausenden von winzigen, intelligenten Spiegeln bedeckt ist.

In der Vergangenheit prallte ein Signal, wenn es auf eine Wand traf, einfach zufällig ab.
Mit diesen intelligenten Spiegeln können wir die Wand so programmieren, dass sie ein Signal auffängt und es genau dorthin reflektiert, wo wir es haben wollen.
Der Artikel schlägt vor, dass diese Wände Roboter tatsächlich beim Kartieren des Raumes helfen können. Die Wand fungiert als Helfer, der Signale um Ecken herum reflektiert, sodass der Roboter Bereiche „sehen" kann, die er vorher nicht sehen konnte.

5. Die Herausforderungen (Warum ist das noch nicht überall?)

Obwohl dies perfekt klingt, weist der Artikel auf drei große Hürden hin:

Der neblige Raum (Dynamik): Das echte Leben ist chaotisch. Menschen laufen herum, Lichter flackern und Autos bewegen sich. Die Karte des Roboters kann verwirrt werden, wenn sich Dinge zu schnell ändern.
Das müde Gehirn (Latenz & Energie): Die Verarbeitung all dieser Daten (Bilder + Radiosignale) erfordert viel Leistung und Zeit. Wenn der Roboter zu lange zum Nachdenken braucht, könnte er einen Unfall bauen. Wenn er zu viel Akku verbraucht, hört er auf zu funktionieren.
Der Spion (Sicherheit): Wenn ein Hacker das Radio oder die Kamera des Roboters täuschen kann, kann er den Roboter dazu bringen, zu glauben, eine Wand sei eine Tür, was zu einem Unfall führt. Der Artikel warnt davor, dass wir diese Systeme vor Täuschungen schützen müssen.

Zusammenfassung

Dieser Artikel ist ein Fahrplan für die Zukunft autonomer Fahrzeuge und Roboter. Er sagt: „Hören Sie auf, sich nur mit einem Sinn zu orientieren."

Indem wir Roboter lehren, ihre Kameras (um Details zu sehen) und ihre Radioantennen (um Entfernungen zu messen und Hindernisse zu durchdringen) gemeinsam zu nutzen, können wir Systeme bauen, die sicherer, intelligenter sind und sich im Dunkeln, im Nebel oder sogar dann navigieren können, wenn das Licht ausgeht. Es geht darum, die unsichtbaren Radiowellen in eine sichtbare Karte zu verwandeln und die Bewegung des Roboters zu nutzen, um die Radiosignale intelligenter zu machen.

Technische Zusammenfassung: Wenn Simultaneous Localization and Mapping auf drahtlose Kommunikation trifft: Eine Übersicht

Problemstellung
Der Artikel behandelt die aufkommende Schnittstelle zwischen Simultaneous Localization and Mapping (SLAM) und drahtloser Kommunikation, eine Konvergenz, die durch die Verbreitung kommerzieller drahtloser Sensorequipment und Fortschritte in intelligenten autonomen Systemen vorangetrieben wird. Während SLAM traditionell auf visuelle (RGB, LiDAR) und inerte Sensoren angewiesen war und sich drahtlose Kommunikation weiterentwickelt hat, um hochfrequente, latenzarme Konnektivität zu bieten, haben sich die beiden Domänen weitgehend parallel entwickelt. Das Kernproblem ist das Fehlen eines einheitlichen Rahmens, der die bidirektionale Wechselwirkung zwischen diesen Feldern nutzt. Konkret besteht die Notwendigkeit zu verstehen, wie drahtlose Signale (RF, mmWave, WiFi) Einschränkungen im visuellen SLAM (wie Skalierungsambiguität und Feature-Verlust in texturlosen Umgebungen) auflösen können und umgekehrt, wie visuelle Odometrie und Landmarkenerkennung drahtlose Kommunikationsziele (wie Strahlausrichtung und Kanalmodellierung) optimieren können. Der Artikel hebt zudem die Lücke in der bestehenden Literatur hervor, die drahtlose Lokalisierung oder SLAM oft isoliert und nicht als gekoppeltes Wahrnehmungs-Schätzungs-Steuerungssystem behandelt.

Methodik
Die Autoren führten eine umfassende Übersichtsstudie durch, die eine dreistufige Literatursuchstrategie unter Einbeziehung der Scopus-Datenbank, einer manuellen Überprüfung von IEEE Communications Surveys & Tutorials (2018–2025) und einer Sichtung von Referenzlisten verwendete. Die Übersicht ist um drei thematische Kernachsen strukturiert:

Grundlagen von SLAM in vernetzten autonomen Systemen: Der Artikel definiert eine mehrschichtige Architektur (Interaktions-, Sensorik-, Schätzungs-, Inferenz- und Koordinierungsschicht), um den Kontext zu setzen, in dem SLAM in vernetzten Umgebungen operiert. Er unterscheidet zwischen passivem SLAM (Rückführung von Bewegung und Struktur aus bestehenden Datenströmen ohne gezieltes Abtasten) und aktivem SLAM (bei dem Steuereingaben optimiert werden, um Schätzunsicherheit zu reduzieren oder Kommunikationsmetriken zu verbessern).
SLAM-Methoden und modusbasierte Techniken: Die Übersicht kategorisiert und analysiert mathematische und algorithmische Ansätze, einschließlich probabilistischer Methoden (Bayes-Filter, Partikel-Filter, Faktorgraphen), graphbasiertem SLAM und vektorfeldbasiertem SLAM. Sie überprüft zudem Sensormodalitäten wie Inertialsensoren, LiDAR, visuelle Reichweiten-Odometrie und multiaгентliche RSSI-basierte Lokalisierung.
Drahtloses und 6G-ermöglichtes SLAM: Dieser Abschnitt untersucht die Integration drahtloser Technologien in SLAM-Pipelines. Er behandelt Deep-Neural-Network-basiertes (DNN) drahtloses SLAM (Deep Coupling SLAM, Deep Semantic and Spatial Joint Perception), die Extraktion von Funkkarten mittels mmWave-Sensoren, WiFi-Fingerprinting, gerätebasierte Sensierung (ISAC) und durch Rekonfigurierbare Intelligente Oberflächen (RIS) unterstütztes SLAM.

Hauptbeiträge

Einheitlicher Rahmen für bidirektionale Auswirkungen: Der Artikel fasst Forschungsstränge zu einem einheitlichen Rahmen zusammen, der zeigt, wie drahtlose Signale den Fahrzeugzustandsvektor erweitern und wie visuelle Informationen die drahtlose Kanalmodellierung unterstützen. Er bildet die bidirektionale Beziehung explizit ab: RF/mmWave-Signale dienen als Stellvertreter für die Skalierungsauflösung in monokularem V-SLAM, während visuelle Odometrie bei der optimalen geometrischen Pfadvorhersage für drahtlose Kanäle hilft.
Taxonomie von aktivem vs. passivem SLAM: Die Autoren liefern eine detaillierte Unterscheidung zwischen passivem SLAM (bei dem Kommunikations-Rückkopplungssignale die Konnektivität bewahren, während sie geometrische Informationen vermitteln) und aktivem SLAM (bei dem Bewegungssteuerung optimiert wird, um Landmarkenunsicherheit zu reduzieren oder die Strahlausrichtung zu verbessern).
Mathematische Formulierungen: Die Übersicht erläutert spezifische mathematische Modelle, einschließlich:
- Epipolargeometrie und Skalierungsambiguität: Wie metrische Bewegungseingaben aus drahtloser Odometrie (ToA, AoA, RSS) den Skalierungsfaktor ( $\lambda_k$ ) in monokularem V-SLAM auflösen können.
- Formulierung aktiver Steuerung: Die Herleitung von Steuereingaben ( $u_k$ ), um die Spur der posteriori-Kovarianzmatrix zu minimieren, wodurch die Reduktion der Schätzunsicherheit effektiv mit Kommunikationszielen wie optimaler Strahlsteuerung verknüpft wird.
- Vektorfeld-SLAM: Modellierung räumlicher Variationen in kontinuierlichen Signalen (z. B. WiFi-RSS) als Vektorfelder, um Kartierung ohne explizite Landmarkenextraktion zu ermöglichen.
Vergleichende Analyse: Durch Tabelle I und Tabelle II vergleicht der Artikel seinen Umfang quantitativ mit repräsentativen Übersichtsarbeiten (z. B. Zeng et al., Italiano et al., Shastri et al.) und zeigt seine einzigartige Abdeckung der gemeinsamen Vision-Drahtlos-Integration, mathematischen Modellierung sowie sowohl passiver als auch aktiver SLAM-Paradigmen auf.

Ergebnisse und Erkenntnisse

Komplementarität der Modalitäten: Die Übersicht stellt fest, dass monokulares V-SLAM erheblich von RF/mmWave-Signalen zur Auflösung von Skalierungsambiguitäten profitiert. Umgekehrt können 5G- und darüber hinausgehende Netze visuelle Odometrie und Landmarkenerkennung nutzen, um die Kanalgeometrie vorherzusagen und die Strahlausrichtung zu optimieren.
Aufkommende Technologien:
- Deep Learning: DNN-basierte Ansätze (z. B. DC-SLAM) zeigen in NLOS-Umgebungen (Nicht-Sichtverbindung) eine überlegene Leistung im Vergleich zu traditionellen probabilistischen Methoden und erreichen durchschnittliche Positionsgenauigkeiten von 0,11 m in Innenräumen.
- RIS-unterstütztes SLAM: Der Artikel diskutiert „MetaSLAM", bei dem RISs als verteilte Knoten SLAM-Dienste bereitstellen, und „LeRIS" (Light-emitting RIS), das optische Anker für die Lokalisierung verwendet.
- Radio-Tomographische Bildgebung (RTI): Systeme wie UBIQMAP demonstrieren die Fähigkeit, Umgebungen jenseits der Sichtverbindung (LOS) mittels RF-Dämpfung zu kartieren und damit traditionelles LiDAR-/visuelles SLAM zu ergänzen.
Identifizierte Herausforderungen: Der Artikel identifiziert vier primäre Herausforderungen, die eine weitverbreitete Einführung behindern:
1. Umgebungsdynamik: Sich bewegende Objekte und zeitlich veränderliche Verdeckungen verursachen Inkonsistenzen zwischen visuellen und drahtlosen Modalitäten.
2. Latenz: Strikte Echtzeitbedingungen sind aufgrund von Verarbeitungsverzögerungen bei hochauflösenden Sensoren und Kommunikations-Overhead in vernetzten Systemen schwer zu erfüllen.
3. Energieeffizienz: Hohe Rechenlasten für Feature-Extraktion und häufige CSI-Aktualisierungen erzeugen erhebliche Leistungsanforderungen für mobile Plattformen.
4. Sicherheit und Datenschutz: Vernetzte SLAM-Systeme sind anfällig für adversarische Angriffe (Spoofing, Jamming) und werfen Datenschutzbedenken hinsichtlich der Weitergabe von räumlichen und Trajektoriedaten auf.

Bedeutung und Behauptungen
Der Artikel behauptet, dass die Schnittstelle von SLAM und drahtloser Kommunikation ein grundlegendes Paradigma für 6G-ermöglichte intelligente robotische und autonome Fahrzeugsysteme bildet. Er argumentiert, dass, obwohl theoretische und praktische Fortschritte im Entstehen sind, integrierte Lösungen, die gemeinsame Kommunikation und Lokalisierung durchführen, derzeit noch in den Kinderschuhen stecken.

Die Bedeutung dieser Arbeit liegt in ihrer Rolle als interdisziplinärer Referenzpunkt. Sie postuliert, dass zukünftige vernetzte autonome Systeme einen Wechsel vom Behandeln von Lokalisierung und Konnektivität als separate Funktionen hin zu einem einheitlichen „Integrated Sensing and Communications" (ISAC)-Ansatz erfordern werden. Die Autoren schlagen vor, dass theoretische und praktische Fortschritte in dieser Schnittstelle höheren Lokalisierungs- und semantischen Wahrnehmungsfähigkeiten zu RF/mmWave- und Multi-Antennen-Technologien hinzufügen könnten, was letztlich eine sichere Navigation, robuste Zustandsrückkopplungssteuerung und Echtzeit-Netzwerkoptimierung unterstützt. Der Artikel schließt bescheiden, dass, obwohl vielversprechende Ergebnisse existieren, vollständig integrierte Lösungen weitere Forschung in heteromodaler Fusion, verteilter Schätzung und rechnergestützter Edge-Verarbeitung erfordern.