从研究生接触SLAM算法到现在也有两三年了，期间学习了很多经典的SLAM算法框架并写了一些相关的博客，本篇博客主要目的是想将这些博客进行一个简单总结用于查漏补缺。首先，按照我的理解，我梳理了如下一个思维导图，如果读者发现有什么需要补充或者纠正的欢迎随时交流：
按照分类，我们先来讲讲视觉SLAM，视觉SLAM算法相对于激光SLAM算法的特点是信息更加丰富，由于是在二维提取特征点，因此通常可以达到更高的频率，但也正是因为信息丰富，因此更容易引入噪声，加上缺乏三维信息，导致视觉SLAM算法的鲁棒性在平均水平上要低于激光SLAM，尤其是通过传统特征进行定位和建图，在工程应用上相对受限，当前一个热门的方向是通过网络提取更加鲁棒的特征，例如SuperPixel、SuperGlue，或者直接根据网络输出定位和建图结果，这也是我之后希望进一步了解的方向：
以下是一些视觉SLAM的博客链接，感兴趣的同学可以了解下：
纯视觉方案：
视觉SLAM总结——ORB SLAM2中关键知识点总结
视觉SLAM总结——SVO中关键知识点总结
视觉SLAM总结——LSD SLAM中关键知识点总结
结合IMU方案：
VINS-Mono关键知识点总结——前端详解
VINS-Mono关键知识点总结——边缘化marginalization理论和代码详解
VINS-Mono关键知识点总结——预积分和后端优化IMU部分
学习MSCKF笔记——前端、图像金字塔光流、Two Point Ransac
学习MSCKF笔记——四元数基础
学习MSCKF笔记——真实状态、标称状态、误差状态
学习MSCKF笔记——后端、状态预测、状态扩增、状态更新
结合激光方案：
视觉激光融合——VLOAM / LIMO算法解析
我是先入门的视觉SLAM再接触的激光SLAM，因此激光SLAM我接触的时间并不是很长，但是激光SLAM和视觉SLAM的基本方法是一样的，只是在传感器输入处理上会稍有不同，正如上面提到的，激光SLAM在工程应用方面会更加成熟，以下是一些激光SLAM的博客链接：
纯激光方案：
学习LOAM笔记——特征点提取与匹配
结合IMU方案：
激光IMU融合——LIO-Mapping / LIOM / LINS / LIO-SAM算法解析
结合视觉方案：
视觉激光融合——VLOAM / LIMO算法解析
在视觉和激光结合的方向上，在2021年的ICRA上还有一片LVI-SAM，工程实现上是VINS-Mono和LIO-SAM的结合。
