SLAM（ Simultaneous Localization and Mapping）是指同步定位與地圖構建。定位和建圖兩個問題相互依賴，準確的定位依賴於正確的地圖，而構建正確的地圖又需要準確的定位，這是一個迭代的過程。
目前的SLAM根據硬體裝置的不同主要有兩種：

1.基於鐳射雷達的SLAM
基於鐳射雷達構建場景是古老並且可信的方法，鐳射雷達也是精確場景使用最多的SLAM感測器。它們提供機器人本體與周圍環境障礙物間的距離資訊。常見的鐳射雷達，例如SICK、Velodyne還有我們國產的rplidar等，都可以拿來做SLAM，但總體來說鐳射雷達的價格都是非常昂貴。鐳射雷達能以很高精度測出機器人周圍障礙點的角度和距離，從而很方便地實現SLAM、避障等功能。
2.基於視覺的SLAM
基於視覺的SLAM主要是通過攝像頭採集來的資料進行同步定位與地圖構建。相比於鐳射雷達，攝像頭的價格就是要低的多，但有些工業攝像頭的價格還是很高的。此外視覺感測器採集的影象資訊要比鐳射雷達得到的資訊豐富，所以更加利於後期的處理

這裡我們通過下圖來比較比較兩種方法的區別（資料來源於KITTI）：

注意：左圖為Lidar Odometry and Mapping （鐳射雷達）
右圖為ORB-SLAM2 （視覺）
我們可以觀察到對於同一個場景的測試，ORB-SLAM2在後半程出現了明顯的誤差，這是因為累積漂移（accumulated drift）所引起的，所以對於視覺SLAM要進行迴環檢測（Loop closure detection）。

由於個人主要是研究Visual SLAM，所以我們接下來對於這個方向進行細分。

（一）
按照視覺感測器主要分為三種：

1. 單目攝像頭（Monocular Camera）

2. 雙目攝像頭（Binocular Camera）

3. 深度攝像頭（RGB-D Camera）

深度攝像頭可以通過time of flight等方法來直接獲得影象及對應的深度資訊，優點在於方便獲得深度資料，缺點在於成本高，體積大，室外環境基本報廢。

雙目攝像頭可以通過三角方法計算出深度資訊，市面上有一些深度攝像頭也是直接基於雙攝像頭來做的。然而雙目攝像頭在目標距離較遠的時候會退化成單目。因此近年來大量的研究都是圍繞單目進行的。

單目SLAM可以通過臨近影象匹配計算出攝像頭位姿的變換，在兩個視角上進行三角測距又可以得出對應點的深度資訊。通過這樣迭代的過程可以實現定位及建圖。

（二）
A、根據對影象處理的方式非為：

1. 直接法（Direct）
2. 非直接法（Indirect）（一般為基於特徵（Feature-Based））

區別如下圖：

B、根據構建地圖的稀疏程度分為：

1. 稀疏（Sparse）
2. 稠密（Dense）

但注意：一般這兩種方法會同時使用，具體的組合及方法（包含相關論文）如下：

（1）Sparse + Indirect:
monoSLAM：
A. Davison, I. Reid, N. Molton, and O. Stasse. MonoSLAM:
Real-time single camera SLAM. Transactions on Pattern
Analysis and Machine Intelligence (TPAMI), 29, 2007. 2
PTAM：
G. Klein and D. Murray. Parallel tracking and mapping for
small AR workspaces. In International Symposium on Mixed
and Augmented Reality (ISMAR), 2007. 2
ORB-SLAM
R. Mur-Artal, J. Montiel, and J. Tardos. ORB-SLAM: a versatile
and accurate monocular SLAM system. Transactions
on Robotics, 31(5):1147–1163, 2015. 2, 11

（2）Dense + Indirect
L. Valgaerts, A. Bruhn, M. Mainberger, and J. Weickert.
Dense versus sparse approaches for estimating the fundamental
matrix. International Journal of Computer Vision
(IJCV), 96(2):212–234, 2012. 2
R. Ranftl, V. Vineet, Q. Chen, and V. Koltun. Dense monocular
depth estimation in complex dynamic scenes. In International
Conference on Computer Vision and Pattern Recognition
(CVPR), 2016. 2

（3）Dense + Direct:
DTAM
R. Newcombe, S. Lovegrove, and A. Davison. DTAM:
Dense tracking and mapping in real-time. In International
Conference on Computer Vision (ICCV), 2011. 2, 3
J. St¨uhmer, S. Gumhold, and D. Cremers. Real-time dense
geometry from a handheld camera. In Pattern Recognition
(DAGM), 2010. 2, 3
LSD-SLAM
J. Engel, T. Sch¨ops, and D. Cremers. LSD-SLAM: Largescale
direct monocular SLAM. In European Conference on
Computer Vision (ECCV), 2014. 2, 11

（4）Sparse + Direct
DSO
J. Engel, V. Usenko and D. Cremers,
A Photometrically Calibrated Benchmark For Monocular Visual Odometry,
arXiv:1607.02555, July 2016.
J. Engel, V. Koltun and D. Cremers,
Direct Sparse Odometry,
arXiv:1607.02565, July 2016.