Autonomous robots are playing important roles in academic, technological, and scientific activities. Thus, their behavior is getting more complex, particularly, in tasks related to mapping an environment and localizing themselves. These tasks comprise the Simultaneous Localization and Mapping (SLAM) problem. Representation of knowledge related to the SLAM problem with a standard, flexible, and well-defined model, provides the base to develop efficient and interoperable solutions. As many existing works demonstrate, Semantic Web seems to be a clear approach, since they have formulated ontologies, as the base data model to represent such knowledge. In this article, we survey the most popular and recent SLAM ontologies with our aim being threefold: (i) propose a classification of SLAM ontologies according to the main knowledge needed to model the SLAM problem; (ii) identify existing ontologies for classifying, comparing, and contrasting them, in order to conceptualize SLAM domain for mobile robots; and (iii) pin-down lessons to learn from existing solutions in order to design better solutions and identify new research directions and further improvements. We compare the identified SLAM ontologies according to the proposed classification and, finally, we explore new data fields to enrich existing ontologies and highlight new possibilities in terms of performance and efficiency for SLAM solutions.

中文翻译：

---

移动机器人同时定位和映射的本体综述

自主机器人在学术、技术和科学活动中发挥着重要作用。因此，他们的行为变得越来越复杂，特别是在与映射环境和定位自己相关的任务中。这些任务包括同时定位和映射 (SLAM) 问题。使用标准、灵活且定义明确的模型来表示与 SLAM 问题相关的知识，为开发高效且可互操作的解决方案提供了基础。正如许多现有工作所表明的那样，语义 Web 似乎是一种清晰的方法，因为它们已经制定了本体，作为表示此类知识的基础数据模型。在本文中，我们调查了最流行和最近的 SLAM 本体，我们的目标有三个：(i) 根据对 SLAM 问题建模所需的主要知识，提出 SLAM 本体的分类；(ii) 识别现有的本体以对它们进行分类、比较和对比，以便概念化移动机器人的 SLAM 域；(iii) 确定从现有解决方案中吸取的经验教训，以便设计更好的解决方案并确定新的研究方向和进一步改进。我们根据建议的分类比较识别的 SLAM 本体，最后，我们探索新的数据字段以丰富现有的本体，并突出 SLAM 解决方案在性能和效率方面的新可能性。(iii) 确定从现有解决方案中吸取的经验教训，以便设计更好的解决方案并确定新的研究方向和进一步改进。我们根据建议的分类比较识别的 SLAM 本体，最后，我们探索新的数据字段以丰富现有的本体，并突出 SLAM 解决方案在性能和效率方面的新可能性。(iii) 确定从现有解决方案中吸取的经验教训，以便设计更好的解决方案并确定新的研究方向和进一步改进。我们根据建议的分类比较识别的 SLAM 本体，最后，我们探索新的数据字段以丰富现有的本体，并突出 SLAM 解决方案在性能和效率方面的新可能性。