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。
視覺SLAM的穩定性是一項技術挑戰。因爲基於單目的視覺SLAM需要初始化、尺度的不確定性和尺度漂移等問題[1]。儘管立體相機和RGB-D相機可以解決初始化和縮放的問題，但也存在一些不容忽視的問題，如運動速度快、視角小、計算量大、遮擋、特徵丟失、動態場景和光照變換等。針對以上這些問題傳感器的融合方案逐漸流行起來，IMU與相機融合的視覺里程計成爲研究熱點。
視覺與慣導
論文[2][3][4]是比較早期對VIO進行的一些研究。[5][6]給出了視覺慣導里程計的數學證明。而論文[7]則使用捆集約束算法對VIO進行穩健初始化。特別是tango[8]、Dyson 360 Eye和hololens[9]可以算的上是VIO真正的產品，得到了很好的反饋。除此之外，蘋果的ARkit（filterbase）、谷歌的ARcore（filterbase）、uSens的Insideout都是VIO技術。下面就介紹一些開源VIO系統[10]：