点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
作者：iceytan | 来源：知乎
/p/111725538
本文仅做学术分享，如有侵权，请联系删除。
本文整理参考自[1]及[2]，当然，能力有限，不会将历史上所有的经典文章都摘录下来，主要还是给自己mark着看。
大而全的两个综述
两篇涉及到SLAM中几个不同话题的综述，同时也是本文绝大部分资料的来源
下载网址：
/abstract/document/7747236/
这一篇 年的综述从（1）Long-Term SLAM 任务中的算法“鲁棒性”和“尺度适应”两方面 （2）地图的表示形式（分别从尺度图与语义图）（3）SLAM的新的理论工具和新传感器在SLAM应用（3）Active SLAM（一种以减少状态估计不确定性为需求的SLAM过程）和（4）有关深度学习在SLAM中的应用 几个方面，先阐述每一个方面的基本挑战和问题，接着指出未来可能的工作方向。在第一部分，该综述简单总结了SLAM的任务和其存在的必要性、研究进展与历史、建模方法（基于滤波和优化）和相关学科支持。
在SLAM: 现在，未来和鲁棒年代（一）| 翻译处已经有简单翻译版本。
翻译版本网址：
/abstract/document/8025618/
这篇的综述主要通过分析KITTI上排名靠前的算法，介绍了SLAM方法在自动驾驶方面的局限性，然后讨论了如何减轻这些局限性，行文主要包括（1）从基于滤波和基于优化两个方面介绍常用状态估计技术（2）给出近年来的细分主题的综述及相关数据集说明（3）给出已有SLAM方法的介绍及拓展到“自动驾驶”领域引发的“局限”讨论（4）在单体SLAM中提升建图一致性的措施和讨论（5）以“在线集成”及“离线集成”为分类的有关多机SLAM技术的讨论（6）应用于自动驾驶大规模尺度的SLAM介绍以及最后的（7）总结，指出新技术（如深度学习）在SLAM中的应用及指出其他领域（航空）同样开始涉及SLAM技术。
两篇更早期的SLAM问题综述文章，第一部分比较像简单的入门教程，第二部分则是当时较新的方法的简介（）：
入门教程网址：
/document/1638022
较新的方法的简介（）
文章下载地址：
/abstract/document/1678144/
对基于滤波方法的SLAM的利与弊讨论（）
下载地址：
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.163.6439&rep=rep1&type=pdf
有关“基于滤波”和“基于优化”的方法的比较（与）：
Real-time monocular SLAM: Why filter?
下载地址：
/abstract/document/5509636
Visual SLAM: Why filter?
下载地址：
/science/article/abs/pii/S0262885612000248
都有Gamini Dissanayake参与的，涉及到现代SLAM中 “可观性”、“一致性”、“收敛性”以及计算效率和复杂度的两篇理论探讨文章（与）：
文章下载地址：
1、/stamp/stamp.jsp?arnumber=6038117
2、/doi/full/10.1177/1729881416669482
涉及到“基于视觉的地点重定位”的调研（），主要介绍“重定位”问题中的 图像处理（特征和描述符）、地图表示和置信度估计：
文章下载地址：
/abstract/document/7339473/
涉及到“多机器人SLAM”的调研（）：
文章下载地址：
/doi/abs/10.1002/rob.21620
参考：
1.^Past, present, and future of simultaneous localization and mapping: Toward the robust-perception age.
2.^Simultaneous localization and mapping: A survey of current trends in autonomous driving
推荐阅读：
专辑|相机标定
专辑|3D点云
专辑|SLAM
专辑|深度学习与自动驾驶
专辑|结构光
专辑|事件相机
专辑|OpenCV学习
专辑|学习资源汇总
专辑|招聘与项目对接
专辑|读书笔记
重磅！3DCVer-学术论文写作投稿交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉+ 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近1000+星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
