slam是simultaneous localization and mapping 的縮寫，中文譯爲“同時定位與構圖”。由其名就可以知道，主要有2個功能，一個是自我定位，一個是構圖。其中就要使用到特定的傳感器，在未知的環境下，對自己定位。在運動中建立起環境的模型，途中更要估計自己的運動，如果這裏的傳感器主要是相機，這裏則稱爲“視覺SLAM”
計算機視覺（Computer Vision）創立之初，人們就希望計算機能像人一樣，通過眼睛去觀察世界，理解周遭的物體，探索未知的領域。然而對計算機而言，所有的物體構建，只是由一個個數字排列的矩陣構成。
之前的研究一直在摸索階段，直到今天才有一點點成功的跡象，通過人工智能（Artificial Intelligence）和機器學習(MachineLearning)技術, 計算機漸漸能識別物體，人臉，聲音，文字——儘管它所用的方式（概率 學建模）。現在已經可以做到快速跟蹤自身位置，有的甚至能夠進行實時的三維重建。
以前處於興趣研究，目前已經出現大批與slam相關的應用點，例如: 室內的掃地機和移動機器人需要定位，野外的自動駕駛汽車需要定位，空中無人機需要定位，虛擬現實和增強現實的設備也需要定位。21世紀以來，以視覺傳感器爲中心的視覺slam技術，在理論和實踐已經出現明顯的好轉，泡泡機器人等就使用到這些功能。
說了這麼多，終究落實到實踐中，需要代碼實現。只有真正實現代碼，調試各個參數纔算理解問題本身。slam系統分爲幾個模塊：視覺里程計，後端優化，建圖，以及迴環檢測。而我們主要學習的就是這4個模塊的核心部分。
參考：SALM 視覺14講
