MoNoSLAM
以扩展卡尔曼滤波为后端，追踪前端非常稀疏的特征点，以相机的当前状态和所有路标点为状态量，更新其均值和协方差。
优点：在2007年，随着计算机性能的提升，以及该系统用稀疏的方式处理图像，使得该方案使得SLAM系统能够在线运行。（之前的SLAM系统是基本不能在线运行的，只能靠机器人携带相机采集的数据，再离线进行定位和建图。）
缺点：MoNoSLAM存在应用场景窄，路标数量有限，系数特征点非常容易丢失等缺点，现在已经停止了对其开发。
PTAM( Parallel Tracking And Mapping )
主要原理是: 从摄影图像上捕捉特征点，然后检测出平面，在检测出的平面上建立虚拟的3D坐标，然后合成摄影图像和CG。其中，独特之处在于，立体平面的检测和图像的合成采用并行处理。
优点：提出并实现了跟踪与建图过程的并行化，将前后端分离，使用非线性优化方案，既可以实时的定位与建图，也可以在虚拟平面上叠加物体。
缺点：场景小，跟踪容易丢失。
ORB-SLAM（继承并改进PTAM）
优点：泛用性：支持单目，双目，RGB-D三种模式。整个系统围绕ORB特征进行计算，在效率与精度之间做到了平衡，并围绕特征点进行了优化。其回环检测算法可以有效地防止误差的积累。使用三个线程完成SLAM，取得了较好的跟踪和建图效果，能够保证轨迹和地图的全局一致性。
缺点：对于每幅图像都需要计算ORB特征耗时大。三线程给CPU带来较大负担，在一直到嵌入式设备上有一定的困难，ORB-SLAM的建图为稀疏特征点，只能满足定位功能。
LSD-SLAM（Large Scale Direct monocular SLAM）
将单目直接发应用到了半稠密的单目SLAM中，不需要计算特征点，还能构建版稠密地图.
优点：直接法是针对像素进行的；对特征缺失区域不敏感，半稠密追踪可以保证追踪的实时性和稳定性；在cpu上实现了半稠密地图的重建。
缺点：对相机内参和曝光非常敏感，并且在相机快速运动时容易丢失，在回环检测部分，没有直接基于直接发实现，依赖特征点方程进行回环检测，尚未完全摆脱特征点的计算。
SVO（ Semi-direct Visual Odoemtry ）
基于稀疏直接法的视觉里程计，在实现中，使用了4x4的小块进行块匹配，估计相机资自身的运动。
优点：速度极快，在低端计算平台上也能达到实时性，适合计算平台受限的场合。
缺点：在平视相机中表现不佳；舍弃了后端优化和回环检测部分，SVO的位姿估计存在累计误差，并且丢失后不太容易进行重定位。
RTAB-MAP（RGB-D传感器上的SLAM方案）
给出了一套完整的RGB-D SLAM方案，目前可以直接从ROS中获得其二进制程序，在Google Project Tango上可以获得其APP直接使用。
优点：原理简单；支持RGB-D和双目传感器，且提供实时的定位和建图功能。
缺点：集成度高，庞大，在其上进行二次开发困难，适合作为SLAM应用而非研究使用。
来源：oschina
链接：https://my.oschina.net/u/3586129/blog/1615829