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

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

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
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