工作室/团队
视觉SLAM
此处视觉SLAM为VIO/VO，一般只包含定位部分，不带有回环建图，除ORB_SLAM3完整集成回环和地图优化（和“建图”不一样），其他不带有回环功能，部分有其他算法实现回环再订阅里程计实现优化后位姿输出，实际不对VIO本身进行优化。
| 算法 | 方案 | 传感器 | 备注 |
|---|---|---|---|
| ORB_SLAM3 | orb+优化+回环 | 单目，双目，单目+IMU，双目+IMU | 鲁棒性好，集成多地图模块，精度高，代码重，可修改性一般，适用于大规模场景 |
| vins-fusion | 光流+优化 | 双目，单目+IMU，双目+IMU | 代码框架清晰，光流在面对高速场景下稳定性较特征法高，算力消耗和orb类似，作为纯VIO来说比ORB稳定 |
| open-vins | 光流/特征+msckf | 单目，双目，单目+IMU，双目+IMU | 轻量，持续更新集成新算法，算力消耗为vins的1/5不到，小场景下精度和vins类似甚至更高，大场景下稳定性没有vins好，适用于室内低算力平台 |
| SVO2 | 半直接法+优化 | 单目+IMU，双目+IMU | 代码框架较为复杂不考虑 |
| MAC-VO | （光流+poseNN）+3d-3d BA | 双目 | 帧率低，运行量大，鲁棒性好可以在动态环境中运行 |
Visual-Inertial SLAM Comparison
Takeaways
- Inclusion of IMU data enhances the performance highly
- IMU can propagate state for a few seconds
- Most algorithms fail at similar segments of the trajectory
- Challenging scenarios
- Descriptor Matching Performs generally better than KLT Tracker
- Illumination changes
- Direct Methods sometimes can not solve the optimization problem
- Illumination changes, no photometric calibration
- Optimization based methods perform slightly better than filtering
激光SLAM
激光SLAM这几年相对更新不多，不同方案在标定良好的硬件平台上差异不大，部分corner case需要根据实际情况修改，不能依赖现有开源解决。
| 算法 | 方案 | 传感器 | 备注 |
|---|---|---|---|
| LIO-SAM | 特征提取+图优化 | 多线激光+IMU | 算力消耗较大，包含回环检测 |
| fast_lio2 | 不提取特征+ikdtree+ieskf | 多线激光+IMU | 轻量，算力消耗低，面对运动剧烈场景稳定性好 |
| faster-lio | 不提取特征+iVox +ieskf | 多线激光+IMU | 工程及效率改进，狭窄场景下iVox更稳定，部分空旷大场景下iVox没有ikdtree稳定 |
| lightning-lm | 不提取特征+iVox +改进ieskf（包含aa） | 多线激光+IMU，odom，GPS | 基于faster-lio改进优化，包含了AA-FasterLIO，改进并简化了ieskf，增加了地图管理，回环和其他传感器的融合，不启用AA情况下（默认不启用），ieskf的速度已经较原版有较为明显提升，和faster-lio相比，完整实现了SLAM相关的功能，而不只是一个LIO前端 |
| rko_lio | 不提取特征+vdb+icp | 多线激光+IMU | 代码架构清晰简单，地图架构优秀，IMU作为去畸变和匹配先验使用，无法充分发挥IMU的作用，并未表现出比fast系列更优的效果。基于点云匹配的方案在运动较大场景下（如无人机），普遍没有以IMU为核心的滤波方案稳定。 |
融合SLAM
融合算法包含，视觉、激光、GPS和IMU融合，融合不一定会增加稳定性和精度，部分场景下，多传感器融合会导致效果下降，同时硬件上的同步和标定也会带来更多的问题。
| 算法 | 方案 | 传感器 | 备注 |
|---|---|---|---|
| r3live | 视觉+激光+IMU | 计算资源占用高，实时性不佳，适合离线融合建图 | |
| FAST-LIVO | 视觉+激光+IMU | 基于fast-lio的工作衍生，实时性较r3live好，不退化的场景下，并没有比fast-lio精度高，部分场景精度反而下降，只支持视觉-激光频率一致的数据 | |
| FAST-LIVO2 | 视觉+激光+IMU | 基于fast-livo迭代工作，主要改进点为使用voxel map统一视觉激光地图，效率和稳定性较fast-livo好（论文说的），实测确实会好点，但内存占用过高 | |
| GVINS | 光流+图优化 | 视觉+gps+IMU | 基于vins-mono的工作衍生 |
| IC-GVINS | 光流+图优化 | 视觉+gps+IMU | 基于vins-mono，增加地球自转补偿的IMU预积分方法，基于IMU的特征特征预测及后端两步优化 |
| LE-VINS | 光流+图优化 | 视觉+激光+IMU | 基于IC-GVINS的工作衍生，使用激光雷达提供深度信息 |
基于网络
3R系列
| 算法 | 方案 | 传感器 | 备注 |
|---|---|---|---|
| dust3r | RGB only | 开创性工作 | |
| mast3r | RGB only | dust3r改进 | |
| pow3r | RGB (K, depth, relative pose可选) | 提供更多的先验可选项，存在先验时，精度能有明显增加，作为插件满足稠密建图，稀疏补全，定位等下游任务 |
数据集
| 数据集名称 | 机构 | 年份 | 平台 | 环境 | 激光 | 视觉 | IMU | 真值 |
|---|---|---|---|---|---|---|---|---|
| KITTI | 卡尔斯鲁厄理工学院 | 2013 | 车载 | 城市 | 有 | 有 | 有 | 有 |
| TUM | 慕尼黑工业大学 | 2012 | 手持 | 室内/室外/挑战性场景 | 无 | 有 | 有 | 有 |
| EuRoC MAV | 苏黎世联邦理工 | 2016 | 无人机 | 室内 | 无 | 有 | 有 | 有 |
| M2DGR | 上海交通大学 | 2021 | 地面机器人 | 室内+室外 | 有 | 有 | 有 | 有 |
| TartanAir | 卡耐基梅隆大学 | 2020 | 仿真无人机 | 仿真 | 有 | 有 | 有 | 有 |
| NCLT | 密歇根大学 | 2016 | 地面机器人 | 城市 | 有 | 有 | 有 | 有 |
| Hilti SLAM | 牛津/UZH | 2022 | 手持 | 室内+室外 | 有 | 有 | 有 | 有 |
| 4Seasons | 慕尼黑工业大学 | 2020 | 车载 | 室外 | 有 | 有 | 有 | 有 |
| VECtor | 上海科技大学 | 2022 | 手持 | 室内+室外 | 有 | 有 | 有 | 有 |
| UrbanLoco | 新加坡国立大学 | 2019 | 车载 | 城市 | 有 | 有 | 有 | 有 |
| ICL-NUIM | 帝国理工 | 2014 | 手持 | 室内 | 无 | 有 | 无 | 有 |
| ADVIO | Aalto大学 | 2018 | 手持 | 城市 | 无 | 有 | 有 | 有 |