【视觉SLAM】视觉SLAM相关开源算法总结
稀疏的视觉SLAM
MonoSLAM
第一个实时、单目SLAM系统，基于EKF优化。
PTAM
单目，首次将tracking和mapping并行化，首次采用了BA优化，之后加入了重定位部分。
ORB-SALM/2
v1只支持单目，三个独立的线程进行tracking，mapping，loop closing，基于BA进行局部优化，基于图优化进行全局优化。v2支持单目，双目，RGB-D。VI ORB-SLAM，给出了IMU的初始化方法，以及联合视觉信息的联合优化。
ENFT-sfm
单目，只有tracking，进行了有效的特征点对的匹配。之后有ENFT-SLAM.
Open VSLAm
适用于各种各样的相机，除了常见的单目，双目，RGB-D的分类，还适用于透视、鱼眼甚至自己设计的相机。
TagSLAM
通过使用AprilTag基准标记实现SLAM[76]
半稠密的视觉SLAM
LSD-SLAM
提出了一种基于李代数和直接法的直接跟踪新方法。之后支持双目和全景相机。
SVO
半直接法的VO，使用基于模型的图像对齐来加速。新版本支持多种相机，包括鱼眼相机。CNN-SVO加入了利用网络来预测深度的模块。
DSO
单目，和LSD-SLAM作者相同。基于直接法和稀疏方法（但是不用检测和描述特征点）的VO
EVO
事件相机，基于event（事件）的VO算法。优点就是相机的优点，不会受到运动模糊，动态环境和光照改变强烈的环境干扰。
稠密的视觉SLAM
DTAM
单目，基于全局空间正则化能量泛函最小化的非凸优化框架，实时重建三维模型，直接法
MLM SLAM
单目，无需GPU即可在线重构稠密的3D模型。关键的贡献是多分辨率的深度预测和空间平滑处理。
Kinect Fusion
RGB-D相机，第一个用深度相机重构三维场景的系统
DVO
RGB-D的稠密视觉SLAM，基于熵的相似度对关键帧进行筛选，基于g2o进行闭环检测。
RGBD-SLAM-V2
RGB-D，无需其他传感器就可以重构精确的3D稠密模型
Kintinuous
RGB-D，具有全局一致的点，可以实时进行网格重建
RTAM-MAP
RGB-D，支持同时进行定位和构图，但是难以作为开发上层算法的基础。之后的版本支持视觉和激光SLAM
Dynamic Fusion
RGB-D，第一个能够基于Kinect Fusion实时重建非刚性形变场景的稠密SLAM系统
VolumeDeform
也实现了实时的非刚体的重构，但是不开源。类似的工作见Fusion4D
Elastic Fusion
RGB-D，一种实时稠密视觉SLAM，能够捕获室内尺度环境的全面、密集、全局一致的基于表面的地图
InfiniTAM
RGB-D，可以在Linux，IOS，安卓平台的CPU上运行的实时三维重建系统
Bundle Fusion
RGB-D，支持鲁棒跟踪，可以从严重跟踪失败中恢复并重新估计实时三维建模，保证全局一致性
其他系统：SLAMRecon， RKD-SLAM,RGB-D SLAM, Maplab, PointNVSNet, MID-Fusion, MaskFusion
VIO /SLAM
单目相机必须进行初始化，而且具有尺度模糊和尺度漂移的问题。而双目/RGB-D可以解决尺度的问题，但是仍面临共同的问题，诸如快速移动，小视场，计算量大，遮挡，特征缺失，动态场景和光照—>VIO
SSF
松耦合，基于滤波，一种基于EKF的单传感器和多传感器时延补偿融合框架
MSCKF
紧耦合，基于滤波，被基于EKF的Google Tango采用。相似的工作MSCKF-VIO开源了代码
ROVIO
紧耦合，基于滤波。基于EKF进行三维路标和图像patch特征的跟踪。支持单目相机。
OKVIS
紧耦合，基于优化。是一个经典的基于关键帧的开源VI SLAM。基于滑动窗，支持单目，双目。
VINS
VINS-Mono：紧耦合，基于优化，单目的实时SLAM框架，开源了可以在Linux上运行并且整合到ROS中的代码
VINS-Mobile：可以在ios设备上运行，实时单目VIO
VINS-Fusion：支持多个VI类型的传感器，比如GPS,单目相机+IMU，双目+IMU,单独的双目。能够在线空间标定，在线时间标定（多传感器的标定）和视觉闭环检测。
ICE-BA
紧耦合，基于优化。提出了一种增量式的、一致的、高效的视惯性SLAM BA方法，该方法同时执行滑动窗口上的局部BA和关键帧上的全局BA，并实时输出每一帧的相机姿态和更新的地图点
Maplab
紧耦合，基于优化，开源的，面向研究的视觉-惯导构图框架。一方面，maplab可以被认为是一个现成的视觉-惯性测绘和定位系统。另一方面，maplab为研究界提供了一系列多会话构图工具，包括地图合并、可视化惯性批处理优化、环路闭合、三维密集重建等
其他：VI-ORB（紧耦合，基于优化，未开源），Struct VIO，RKSLAM。
深度学习+SLAM
特征和描述方面
Pop-up SLAM
单目，提出了实时单目平面SLAM，证明了场景理解可以改善状态估计和稠密映射，特别是在低纹理环境中。平面测量来自一个pop-up 3D平面模型，被应用于每一张图像。[145]得到卷积网络(convnet)预测的语义关键点。
Superpoint
提出了一种用于训练兴趣点检测器和描述符的自监督框架，该框架适用于计算机视觉中大量的多视图几何问题。[147]提出了利用易于标记的2D检测和离散视点分类，结合轻量级语义推理方法来获得粗略的3D目标测量。
GCN-SLAM
利用GCNv2的结果构架的SLAM，. [149] 融合了3D形状，位置，以及可用的语义信息。
SalientDSO
利用深度学习进行视觉显著性感知和场景的感知。【151】将检测的目标作为二次模型加入到SLAM系统中。
CubeSLAM
单目，是一个基于立方体模型的三维目标检测和SLAM系统。实现了目标级别的构图，定位和动态目标的跟踪。【153】整合了CubeSLAM和Pop-up SLAM，更加稠密，简洁，具有语义信息。
MonoGRNet
用于单目三维目标检测和定位的几何推理网络。可以看到基于事件相机的特征，但不限于[155][156]。关于深度学习中的调查用于检测，[157]可能是一个不错的选择。
识别和分割
SLAM++
Semanticfusion
MarrNet
3DMV
Pix3D
ScanComplete
Fusion++
SegMap
3D-SIS
DA-RNN
DenseFusion
CCNet
恢复尺度
CNN-SLAM
DeepVO
GS3D
UnDeepVO
GeoNet
CodeSLAM
GEN-SLAM
DeepMVS
位姿估计和优化
PoseNet
VInet
DeepVO
SFM-Net
VSO
MID-Fusion
VidLoc
长时定位
X-View
动态SLAM
RDSLAM
DS-SLAM
MaskFusion
Co-Fusion
Detect-SLAM
DynaSLAM
StaticFusion
挑战和未来
鲁棒性和可移植性
多传感器融合
语义SLAM
软硬件
传感器，算法，芯片的整合
激光和视觉SLAM系统
多传感器的标定
激光和视觉的融合
挑战和未来
参考资料：论文：A Survey of Simultaneous Localization and Mapping