VSLAM方法框架：
整個SLAM大概可以分爲前端和後端 ，前端相當於VO（視覺里程計），研究幀與幀之間變換關係。首先提取每幀圖像特徵點，利用相鄰幀圖像，進行特徵點匹配，然後利用RANSAC去除大噪聲，然後進行匹配，得到一個pose信息（位置和姿態），同時可以利用IMU（Inertial measurement unit慣性測量單元）提供的姿態信息進行濾波融合
後端則主要是對前端出結果進行優化，利用濾波理論（EKF、UKF、PF）、或者優化理論TORO、G2O進行樹或者圖的優化。最終得到最優的位姿估計。
後端這邊難點比較多，涉及到的數學知識也比較多，總的來說大家已經慢慢拋棄傳統的濾波理論走向圖優化去了。
因爲基於濾波的理論，濾波器穩度增長太快，這對於需要頻繁求逆的EKF（擴展卡爾曼濾波器），PF壓力很大。而基於圖的SLAM，通常以keyframe（關鍵幀）爲基礎，建立多個節點和節點之間的相對變換關係，比如仿射變換矩陣，並不斷地進行關鍵節點的維護，保證圖的容量，在保證精度的同時，降低了計算量。
列舉幾個目前比較有名的SLAM算法：PTAM,MonoSLAM, ORB-SLAM,RGBD-SLAM,RTAB-SLAM,LSD-SLAM。
所以大家如果想學習SLAM的話，各個高校提高的素材是很多的，比如賓大、MIT、ETH、香港科技大學、帝國理工等等都有比較好的代表作品，還有一個比較有前景的就是三維的機器視覺，普林斯頓大學的肖劍雄教授結合SLAM和Deep Learning做一些三維物體的分類和識別， 實現一個對場景深度理解的機器人感知引擎。
http://robots.princeton.edu/talks/2016_MIT/RobotPerception.pdf 這是他們的展示。
這個是occipital團隊出的一個產品，是個很有意思的應用，國內賣4000+，大概一個月1000出貨量吧（雖然不是很多，但是效果不錯，pad可玩）虛擬家居、無人飛行／駕駛、虛擬試衣、3D打印、刑偵現場記錄、沉浸式遊戲、增強現實、商場推送、設計輔助、地震救援、工業流水線、GIS採集等等，都等待着vSLAM技術一展宏圖
SLAM的今生——還存在着問題
多傳感器融合、優化數據關聯與迴環檢測、與前端異構處理器集成、提升魯棒性和重定位精度都是SLAM技術接下來的發展方向，但這些都會隨着消費刺激和產業鏈的發展逐步解決。就像手機中的陀螺儀一樣，在不久的將來，也會飛入尋常百姓家，改變人類的生活。
不過說實話，SLAM在全面進入消費級市場的過程中，也面對着一些阻力和難題。比如Sensor精度不高、計算量大、Sensor應用場景不具有普適性等等問題。
多傳感器融合、優化數據關聯與迴環檢測、與前端異構處理器集成、提升魯棒性和重定位精度都是SLAM技術接下來的發展方向，但這些都會隨着消費刺激和產業鏈的發展逐步解決。就像手機中的陀螺儀一樣，在不久的將來，也會飛入尋常百姓家，改變人類的生活。
提問：
雷鋒網 ： 激光雷達和攝像頭兩種 SLAM 方式各有什麼優缺點呢，有沒有一種綜合的方式互補各自的缺點的呢？
張一茗： 激光雷達優點是可視範圍廣，但是缺點性價比低，低成本的雷達角分辨率不夠高，影響到建模精度。vSLAM的話缺點就是FOV通常不大，50-60degree，這樣高速旋轉時就容易丟，解決方案有的，我們公司就在做vSLAM跟雷達還有IMU的組合。
雷鋒網 ： 請問目前基於視覺的SLAM的計算量有多大？嵌入式系統上如果要做到實時30fps，是不是隻有Nvidia的芯片（支持cuda）纔可以？
張一茗： 第一個問題，雖然基於視覺的SLAM計算量相對較大，但在嵌入式系統上是可以跑起來的，Sparse的SLAM可以達到30-50hz（也不需要GPU和Cuda），如果dense的話就比較消耗資源，根據點雲還有三角化密度可調，10－20hz也是沒有問題。
並不一定要用cuda，一些用到cuda和GPU的算法主要是用來加速SIFT、ICP，以及後期三角化和mesh的過程，即使不用cuda可以採用其他的特徵點提取和匹配策略也是可以的。