MoNoSLAM：https://github.com/hanmekim/SceneLib2

以擴展卡爾曼濾波為後端，追蹤前端非常稀疏的特征點，以相機的當前狀態和所有路標點為狀態量，更新其均值和協方差。

優點：在2007年，隨著計算機性能的提升，以及該系統用稀疏的方式處理圖像，使得該方案使得SLAM系統能夠在線運行。（之前的SLAM系統是基本不能在線運行的，只能靠機器人攜帶相機采集的數據，再離線進行定位和建圖。）

缺點：MoNoSLAM存在應用場景窄，路標數量有限，系數特征點非常容易丟失等缺點，現在已經停止了對其開發。

PTAM( Parallel Tracking And Mapping )http://www.robots.ox.ac.uk/~gk/PTAM

主要原理是: 從攝影圖像上捕捉特征點，然後檢測出平面，在檢測出的平面上建立虛擬的3D坐標，然後合成攝影圖像和CG。其中，獨特之處在於，立體平面的檢測和圖像的合成采用並行處理。

優點：提出並實現了跟蹤與建圖過程的並行化，將前後端分離，使用非線性優化方案，既可以實時的定位與建圖，也可以在虛擬平面上疊加物體。

缺點：場景小，跟蹤容易丟失。

ORB-SLAM（繼承並改進PTAM）http://webdiis.unizar.es/~raulmur/orbslam/

優點：泛用性：支持單目，雙目，RGB-D三種模式。整個系統圍繞ORB特征進行計算，在效率與精度之間做到了平衡，並圍繞特征點進行了優化。其回環檢測算法可以有效地防止誤差的積累。使用三個線程完成SLAM，取得了較好的跟蹤和建圖效果，能夠保證軌跡和地圖的全局一致性。

缺點：對於每幅圖像都需要計算ORB特征耗時大。三線程給CPU帶來較大負擔，在一直到嵌入式設備上有一定的困難，ORB-SLAM的建圖為稀疏特征點，只能滿足定位功能。

LSD-SLAM（Large Scale Direct monocular SLAM）

將單目直接發應用到了半稠密的單目SLAM中，不需要計算特征點，還能構建版稠密地圖.

優點：直接法是針對像素進行的；對特征缺失區域不敏感，半稠密追蹤可以保證追蹤的實時性和穩定性；在cpu上實現了半稠密地圖的重建。

缺點：對相機內參和曝光非常敏感，並且在相機快速運動時容易丟失，在回環檢測部分，沒有直接基於直接發實現，依賴特征點方程進行回環檢測，尚未完全擺脫特征點的計算。

SVO（ Semi-direct Visual Odoemtry ）

基於稀疏直接法的視覺裏程計，在實現中，使用了4x4的小塊進行塊匹配，估計相機資自身的運動。

優點：速度極快，在低端計算平臺上也能達到實時性，適合計算平臺受限的場合。

缺點：在平視相機中表現不佳；舍棄了後端優化和回環檢測部分，SVO的位姿估計存在累計誤差，並且丟失後不太容易進行重定位。

RTAB-MAP（RGB-D傳感器上的SLAM方案）

給出了一套完整的RGB-D SLAM方案，目前可以直接從ROS中獲得其二進制程序，在Google Project Tango上可以獲得其APP直接使用。

優點：原理簡單；支持RGB-D和雙目傳感器，且提供實時的定位和建圖功能。

缺點：集成度高，龐大，在其上進行二次開發困難，適合作為SLAM應用而非研究使用。

視覺SLAM的方案總結