對於人類來說眼睛是獲取外界信息的主要來源。通過眼睛我們不僅可以看到五彩繽紛的世界，還可以讓我們對事物產生聯繫判斷，規避自然界中相關障礙物。也正是通過眼睛接受到的信息傳遞給大腦，讓我們在這個世界上來去自如。其實對於機器來說也是同理，有了眼睛就能規避很多障礙，穿行於特定空間。比如視覺SLAM用於機器上就相當於人類的眼睛，它可以從環境中獲取海量的、富於冗餘的紋理信息，擁有超強的場景辨識能力。
現在我們就來聊一聊，相當於人類眼睛的視覺SLAM到底是什麼？
視覺SLAM主要是基於相機來完成環境的感知工作，相對而言，相機成本較低，容易放到產品硬體上，且圖像信息豐富，因此視覺SLAM也備受關注。
目前，視覺SLAM可分為單目、雙目（多目）、RGBD這三類，另還有魚眼、全景等特殊相機，但目前在研究和產品中還屬於少數，此外，結合慣性測量器件（Inertial Measurement Unit，IMU）的視覺SLAM也是現在研究熱點之一。從實現難度上來說，大致將這三類方法排序為：單目視覺＞雙目視覺＞RGBD。
單目相機SLAM簡稱MonoSLAM，僅用一支攝像頭就能完成SLAM。最大的優點是傳感器簡單且成本低廉，但同時也有個大問題，就是不能確切的得到深度。
一方面是由於絕對深度未知，單目SLAM不能得到機器人運動軌跡及地圖的真實大小，如果把軌跡和房間同時放大兩倍，單目看到的圖像是一樣的，因此，單目SLAM只能估計一個相對深度。另一方面，單目相機無法依靠一張圖像獲得圖像中物體離自己的相對距離。為了估計這個相對深度，單目SLAM要靠運動中的三角測量，來求解相機運動並估計像素的空間位置。即是說，它的軌跡和地圖，只有在相機運動之後才能收斂，如果相機不進行運動時，就無法得知像素的位置。同時，相機運動還不能是純粹的旋轉，這就給單目SLAM的應用帶來了一些麻煩。
而雙目相機與單目不同的是，立體視覺既可以在運動時估計深度，亦可在靜止時估計，不僅消除了單目視覺的許多麻煩，而且相關算法，運用功能絲毫未減。
RGBD相機是2010年左右開始興起的一種相機，它最大的特點是可以通過紅外結構光或TOF原理，直接測出圖像中各像素離相機的距離。
神秘的視覺SLAM是怎麼工作的呢？
大多數視覺SLAM系統的工作方式是通過連續的相機幀，跟蹤設置關鍵點，以三角算法定位其3D位置，同時使用此信息來逼近推測相機自己的姿態。簡單來說，這些系統的目標是繪製與自身位置相關的環境地圖。這個地圖可以用於機器人、無人機等系統在該環境中導航作用。與其他形式的SLAM技術不同，只需一個3D視覺攝像頭，就可以做到這一點。
通過跟蹤攝像頭視頻幀中足夠數量的關鍵點，可以快速了解傳感器的方向和周圍物理環境的結構。所有視覺SLAM系統都在不斷的工作，以使重新投影誤差（Reprojection Error）或投影點與實際點之間的差異最小化，通常是通過一種稱為Bundle Adjustment（BA）的算法解決方案。視覺SLAM系統需要實時操作，這涉及到大量的運算，因此位置數據和映射數據經常分別進行Bundle Adjustment，但同時進行，便於在最終合併之前加快處理速度。
明白了它的工作原理，那視覺SLAM到底有哪些優勢呢？
1、視覺SLAM的優點是它所利用的豐富紋理信息。例如兩塊尺寸相同內容卻不同的廣告牌，基於點雲的雷射SLAM算法無法區別他們，而視覺SLAM則可以輕易分辨。這帶來了重定位、場景分類上無可比擬的巨大優勢。
2、視覺信息可以較為容易的被用來跟蹤和預測場景中的動態目標，如行人、車輛等，對於在複雜動態場景中的應用這是至關重要的。
3、視覺的投影模型理論上可以讓無限遠處的物體都進入視覺畫面中，在合理的配置下(如長基線的雙目相機)可以進行很大尺度場景的定位與地圖構建。
視覺SLAM這麼厲害，那它目前在科技領域的發展狀況如何？
追溯歷史，對於定位、定向等需求人們其實在千年前就有了，最早時期，古人提出了夜觀天象，基於遙遠恆星的方位推斷自身所處的位置，進而演變出一門博大精深的學科「牽星術」，用牽星板測量星星實現緯度估計。直到1964年，美國建立了全球定位系統GPS，利用RTK的實時相位差分技術，甚至能實現釐米的定位精度，基本上解決了室外的定位問題。但針對室內定位就較為複雜，為了實現室內的定位，當時湧現出了一大批技術，而SLAM技術就在那時脫穎而出，很多專家學者也針對SLAM技術不斷提出新的算法與研究。
2007年A.J.Davison提出的MonoSLAM是第一個實時的單目視覺SLAM系統。
特點：擴展卡爾曼濾波為後端，追蹤前端非常稀疏的特徵點。
意義：之前的SLAM系統基本不能在線運行，只能靠機器人攜帶相機採集數據，再離線的定位和建圖。現在看來，應用場景窄，已經停止對其開發。
同年推出PTAM （單目 -非線性優化）實現了跟蹤與建圖過程的並行化；第一個使用非線性優化，而不是使用傳統的濾波器作為後端的方案。引入了關鍵幀機制，不必精細的處理每幅圖像，而是把幾個關鍵圖像串起來，然後優化其軌跡和地圖，在PTAM之後，視覺SLAM轉向以非線性優化為主導的後端。
PTAM同時是一個增強現實軟體，演示了炫酷的AR效果。根據PTAM估計的相機位姿，我們可以在一個虛擬的平面上放置虛擬物體，看起來就跟真實的場景中一樣。
2015年推出ORB-SLAM（單目為主-特徵點-圖優化）是現代SLAM系統中做得非常完善的系統之一。
為什麼說ORB-SLAM是比較完善的系統之一？
（1）支持單目、雙目、RGB-D三種模式；
（2）整個系統圍繞ORB特徵進行計算，包括視覺裡程計與迴環檢測ORB字典。ORB特徵不像SURF或SIFT費時，可在CPU上實時計算；相比Harris等簡單角點特徵，又具有良好的旋轉和縮放不變性；ORB提供描述子，使在大範圍運動時能夠迴環檢測和重定位。
（3）ORB的迴環檢測是它的亮點，優秀的迴環檢測算法保證了ORB-SLAM有效的防止累計誤差，並且在丟失後還能迅速找回。為此，ORB-SLAM在運行前需要加載一個很大的ORB字典文件。
（4）ORB創新使用了3個線程完成了SLAM：實時跟蹤特徵點的Tracking線程，局部Bundle Adjustment的優化線程（俗稱小圖），全局Pose Graph的迴環檢測與線性優化（俗稱大圖。）
Tracking線程：對每幅新來的圖像提取ORB特徵點，並與最近的關鍵幀進行比較，計算特徵點的位置並粗略的估計相機位姿。
小圖線程：求解一個Bundle Adjustment問題，包括局部空間內的特徵點與相機位姿，負責求解更精細的相機位姿與特徵點空間位置。前面的這兩個線程完成了比較好的視覺裡程計。
大圖線程：對全局的地圖與關鍵幀進行迴環檢測，消除累積誤差。由於全局中地圖點太多了，所以優化不包括地圖點，只有相機位姿組成的位姿圖。
SLAM技術目前應用於哪些行業？
SLAM技術目前主要用於解決機器人、無人機等在未知環境運動時的定位和地圖構建問題。先已入侵了多個行業，包括機器人、無人駕駛、無人機、AR/VR以及AGV等多領域。
在機器人定位導航領域，SLAM可以輔助機器人執行路徑規劃、自主探索、導航等任務。國內的科沃斯、塔米以及新晉品牌嵐豹都採用了SLAM結合雷射雷達或者攝像頭的方法，讓掃地機高效繪製室內地圖，智能分析和規劃掃地環境，從而成功讓自己步入了智能導航的陣列。
在無人駕駛領域，可以使用SLAM提供視覺裡程計功能，然後跟其他的定位方式融合。從而滿足無人駕駛精準定位的需求。例如，應用了基於雷射雷達技術Google無人駕駛車以及牛津大學MobileRoboticsGroup11年改裝的無人駕駛汽車野貓(Wildcat)均已成功路測。
在無人機領域，可以使用SLAM構建局部地圖，輔助無人機進行自主避障、路徑規劃。曾經刷爆美國朋友圈的Hovercamera無人機，就應用到了SLAM技術
隨著SLAM技術重要性的凸顯，國內越來越多的企業紛紛投入SLAM技術的研發中，在這些企業當中除了一些移動機器人廠商作為自用研發，也不乏一些有科研實力的企業，專門針對無人機教學研究這塊開發出基於視覺SLAM的教學應用平臺。平臺不僅集無人機、無人車、雙目視覺、機載AI視覺處理板卡於一體，形成全套的無人平臺控制、通訊鏈路、視覺圖像採集、圖像識別、三維重建、定位解算等軟體算法解決方案。而且具備立體視覺、運動估計、稠密重建、SLAM導航、路徑規劃、自主避礙等功能。還可提供全套的學科教學課程以及示例算法等，幫助老師快速展開相關課程設計，進行實際教學應用階段。基於視覺開發的教研平臺，硬體完善、功能齊全、開發環境完整、全系統全功能的開發測試環境，幫助各科研團隊更專注於slam導航避障算法研究。後續所開發出的這些教育應用平臺也將對上述文章中提到的ORB-SLAM，和目前比較熱門的VINS，ROVIO等SLAM算法進行試驗，屆時平臺將提供以上SLAM框架的實例，降低學校教師或學生學習SLAM的門檻。
SLAM技術將賦予為機器人、無人機和智能體前所未有的行動能力。作為當前SLAM框架的主要類型，視覺SLAM必將在相互競爭和融合中發展，必將帶來無人技術和人工智慧技術的真正革命。