申明：本文只是作者为方便知识积累，总结了很多SLAM大牛的文章要点。
SLAM(Ｓimultaneous Localization and Mapping)，主要有激光雷达和视觉传感器两个方向。视觉SLAM(Visual SLAM)包括单目、双目、使用景深摄像头的RGBD_SLAM。
单目SLAM：
(1). PTAM(Parallel Tracking And Mapping)，第一个使用BA完成实时SLAM的系统，论文中提到的关键帧以及多线程思想是以后视觉SLAM的标配；缺点是：缺乏重定位和回环检测，只能作用于小规模场景，稳定性不是很高。
(2). Dense tracking and mapping in real-time），Direct SLAM的鼻祖。
(3). LSD-SLAM（Large-Scale Direct Monocular SLAM），半稠密SLAM系统。
(4). ORB-SLAM，比较完整的基于特征点的SLAM系统。
(5). ORB-SLAM2
(6).SVO
(7). DSO
RGBD-SLAM:
KinectFusion
RGB-D SALM2
ElasticFusion
视觉SLAM的几个模块：传感器数据采集（激光扫描、图像、点云）、视觉里程计（特征匹配、ICP、直接配准）、后端优化（滤波器、图优化）、建图（栅格地图、拓扑地图、2D/3D）、回环检测（词袋）。
视觉里程计：
视觉里程计就是利用一个图像序列或一个视频流，计算摄像机的方向和位置的过程。一般包括：图像获取、畸变矫正、特征检测匹配或直接匹配对应像素、通过对极几何原理估计相机的旋转矩阵和平移向量。
基于特征点的单目SLAM的缺点：无尺度标定，对于位置为０时的估计有问题。
直接法：估计图像中灰度的差异，关键帧在ｘ处的灰度与在当前帧投影到成像平面上那点灰度相减，作为误差项，Minimize一个重投影误差，得到灰度值差异的平方，不用特征点，运动快，但是容易丢。
后端优化：
若视觉里程计模块估计的相机的旋转矩阵R和平移向量t都正确的话，我们就能得到完美的定位和建图了。但是实际试验中，我们得到的数据往往有很多噪声，且由于传感器的精度、错误的匹配等，都会对结果造成误差。并且由于我们只是把新的一帧与前一个关键帧进行比较，当某一帧的结果又误差时，就会对后面的结果产生误差，最后的结果误差肯定越来越大，为了解决这个问题，引入后端优化。
后端优化一般采用捆集调整(BA)，卡尔曼滤波(EKF)，图优化等方式来解决。其中基于图优化的后端优化，效果最好。Graph-based SLAM一般采用g2o求解器，进行图优化计算。
回环检测：
后端优化可能得到一个比较优的解，但当运动回到某一个之前去过的地方，如果我们能认出这个地方，并找到那个时候的关键帧进行比较，我们就可以得到比单用后端优化更准确更高效的结果。回环检测就是要解决这个问题。
回环检测有两种方式，一是根据估计出来的相机位置，看是否与之前某个位置邻近；另一种是根据图像，去自动识别出来这个场景之前到过，并找到那时候的关键帧。后一种方式比较常用，其实是一个非监督的模式识别问题。比较常用的方法是使用Bag-of-Words(BOW)，ORB-SLAM就是使用这个方式来进行闭回环测的。
