建圖（Mapping）是slam的兩大目標之一。上述討論的都是定位，討論了特徵值點的定位，直接法的定位，以及後端優化。在經典的slam模型中，所謂的地圖，即所有路標點的集合。一旦確定了路標點的位置，可以說明完成了建圖。只是如此，那麼視覺里程計，Bundle Adjustment算完成了任務，還額外的進行了優化。
但建圖的需求不同，SLAM作爲一種底層技術，往往是用來爲上層應用提供信息。例如掃地機器人需要完成掃地工作，希望計算一條能夠覆蓋整張地圖的路徑。或者，如果上層是一個增強現實設備，那麼開發者可能將虛擬物體疊加在現實物體之中。在視覺slam看來，“建圖”是服務與“定位”的; 但在應用層看來，“建圖”明顯還帶來許多其他需求：
定位：定位是基本功能不用多說。視覺里程計討論如何利用局部地圖來實現定位。在迴環檢測部分，只要有全局的描述子信息，就能通過迴環檢測確定機器人的位置。
導航：在地圖中進行路徑規劃，在任意兩個地圖間尋找路徑，然後控制自己運動到目標點的過程。該過程中至少知道地圖中哪些地方不可通過，而哪些地方是可以通過。這屬於稀疏特徵點地圖的能力範圍，至少得是一種稠密的地圖。
避障：避障也是機器人經常碰到的一個問題，不過它更注重局部的，動態的導航物的處理。同樣，僅有特徵點，無法判斷某個特徵點是否爲障礙物，所以需要稠密地圖。
重建：稠密地圖，利用slam獲得周圍環境的重建效果，並把它展示給其他人看。例如：三維的視頻通話或者網上購物等。也可以構建帶紋理的平面，就像電子遊戲中的三維場景那樣。
交互：主要指人與地圖之間的互動。例如：科幻電影裏面是真的，在增強現實中，我們會在房間裏放置虛擬的物體，並與這些虛擬物體之間有一些互動——比如點擊虛擬網頁瀏覽器來觀看視頻，或者向牆面投擲物體。
1. 單目稠密重建
a. 稠密重建解決方案：
.使用單目相機，通過移動相機之後進行三角化測量像素的距離。
.使用雙目相機，利用左右目的視差計算像素的距離(多目原理相同)。
.使用RGB-D相機直接獲得像素距離。
但單目和雙目對深度的獲取往往是“費力不討好”——花大量的計算，最後得到一些不怎麼可靠的深度估計。當然，RGB-D也有一些量程，應用範圍和光照的限制。
b. 深度濾波器技術：深度估計能隨測量的增加從一個非常不確定的量，逐漸收斂到一個穩定值。
2. 極線搜索與塊匹配
上方的圖主要是描述極線搜索。沿着第一幅圖像中的極線的某頭走到另一頭，逐個比較每個像素與p1的相似程度。類似直接法中的迴環檢測，然而單個像素的亮度沒有區分性，那就比較像素塊，在p1周圍取一個大小爲w*w的小塊，然後極線上也取很多同樣大小的小塊進行比較，就可以一定程度上提高區分性。取名塊匹配。
a. 目前計算小塊與小塊間的差異有
SAD(Sum of Absolute Difference)。取2個小塊的差的絕對值之和.
SSD(Sum of Squared Distance)。取2小塊的差的平方和。
NCC(Normalized Cross Correlation)。歸一化相關，計算的是兩個小塊的相關性。
3. 並行化：效率的問題
在進行極線搜索時，上一個像素計算與下一個像素沒必然聯繫。那麼就可以用多個線程，分別計算每個像素，然後將結果統一起來。
4. RGB-D稠密建圖
RGB-D相機完全通過傳感器中硬件測量得到，無須消耗大量的計算資源來估計。而且，RGB-D的結構光或飛時原理，保證了深度數據對紋理的無關性。故RGB-D進行稠密建圖是相對
a. 建圖方式
稠密建圖主流方式。其中最直觀，最簡單的方法。根據估算的相機位姿，將RGB-D數據轉化爲點雲(Point CLoud)，然後進行拼接，最後得到一個由離散的點組成的點雲地圖(Point Cloud Map)。
b.八叉樹地圖
點雲有幾個明顯的缺陷。一是通常規模很大，但許多時候，它的“大”並非必須，許多不必要的細節都加進來了。二是點雲地圖無法處理運動的物體，點雲中只有“添加點”而沒有“當點消失時把它移除”的做法。實際環境中將變得不夠實用。
c. *TSDF地圖和Fusion系列
與slam相似但又有稍許不同的研究方向：實時三維重建。前面地圖模型中，以定位爲主體，地圖的拼接是作爲後續加工步驟放在slam框架中的。
三維重建把重建準確地圖作爲主要目標，所以基本都需要利用GPU加速，通常需要較重的計算設備。與之相反，SLAM向輕量級，小型化方向發展，有些甚至放棄了建圖和迴環檢測部分，只保留視覺里程計。
TSDF(截斷符號距離函數)，一種網格式地圖，這個存儲在顯存而不是內存中，利用GPU的並行特性，可以並行地對每個體素進行計算和更新。
