SLAM包含了兩個主要的任務：定位與構圖，在移動機器人或者自動駕駛中，這是一個十分重要的問題：機器人要精確的移動，就必須要有一個環境的地圖，那麼要構建環境的地圖就需要知道機器人的位置。
本系列文章主要分成四個部分：
在第一部分中，將介紹Lidar SLAM，包括Lidar傳感器，開源Lidar SLAM系統，Lidar中的深度學習以及挑戰和未來。
第二部分重點介紹了Visual SLAM，包括相機傳感器，不同稠密SLAM的開源視覺SLAM系統。
第三部分介紹視覺慣性里程法SLAM，視覺SLAM中的深度學習以及未來。
第四部分中，將介紹激光雷達與視覺的融合。
摘要
隨着CPU和GPU的發展，圖形處理能力變得越來越強大。相機傳感器同時變得更便宜，更輕巧，功能更廣泛。在過去的十年中，視覺SLAM迅速發展。與Lidar系統相比，使用相機的Visual SLAM還使該系統更便宜，更小。如今SLAM可視化系統可以在微型PC和嵌入式設備中運行，甚至可以在智能手機[1],[2]等移動設備中運行。
視覺SLAM通常包含了傳感器數據的處理，包括了攝像機或慣性測量單元，前端的視覺里程計或視覺慣導融合的里程計，後端的優化，後端的閉環以及構建地圖[3]。並且重定位是穩定和準確的視覺SLAM的另外一個十分重要的模塊[4]。在視覺里程計的過程中，除了基於特徵或模板匹配的方法或確定相機運動的相關方法之外，還有另一種方法依賴於Fourier-Mellin變換[5]。[6]和[7]給出了使用地面攝像頭時沒有明顯視覺特徵的環境中的實例
視覺傳感器
基於視覺SLAM的最常用的傳感器是相機，相機可以分爲單眼相機，立體相機，RGB-D相機，事件相機等。
單眼相機：基於單目攝像機的視覺slam具有與實際軌跡和地圖大小對應上會有一個尺度問題，也就是我們常說的，單目相機無法獲得真實的深度，這就是所謂的尺度不確定性[8]。基於單目攝像機的SLAM必須進行初始化，並面臨漂移問題。
立體相機：立體相機是兩個單眼相機的組合，但已知兩個單眼相機之間的基線距離。儘管可以基於校準，校正，匹配和