SLAM按误差函数的形式可以分为两类：最小化光度误差；最小化重投影误差。最小化光度误差也称直接法，误差函数的形式是两个像素的灰度值相减；最小化重投影误差也称特征点法，误差函数的形式是像素的坐标值相减。

整理近几年国内外SLAM的方案，根据误差函数形式可分为三类：

  • 直接法：LSD、DSO
  • 特征点法：ORB_SLAM
  • 半直接法：SVO、VIO、MSCKF、OKVIS、VINS、ROVIO

目前我也在学习阶段，已经学习了ORB_SLAM、LSD、SVO、DSO几种方案。

附上我在学习阶段比较好的一些博客。

对ORB_SLAM的学习主要是看论文及源代码，因此参考的博客相对较少。

LSD

LSD的重点在于深度图的计算以及深度图传播。

LSD-SLAM笔记之DepthMap - kokerf的博客 - CSDN博客​blog.csdn.net/kokerf/article/details/78006703?locationNum=5&fps=1
LSD-SLAM笔记之SE3Tracking - kokerf的博客 - CSDN博客​blog.csdn.net/kokerf/article/details/78005934

DSO

DSO提出了滑动窗口优化，并且把相机内参等于相机位姿联合进行优化。

【泡泡机器人成员原创】 高翔博士带你学DSO（深入剖析DSO的数学原理及实现）​www.sohu.com/a/192676470_715754
DSO算法初探 - khs - CSDN博客​blog.csdn.net/weixin_38039051/article/details/80697340
DSO 中的Windowed Optimization​blog.csdn.net/heyijia0327/article/details/53707261

SVO

SVO提出了深度的概率分布式高斯+均匀分布。

svo： semi-direct visual odometry 论文解析​blog.csdn.net/heyijia0327/article/details/51083398
SVO深度解析(三)之深度滤波(建图部分) - zhubaohua_bupt的博客 - CSDN博客​blog.csdn.net/zhubaohua_bupt/article/details/74911000
SVO原理解析 - 路游侠 - 博客园​www.cnblogs.com/luyb/p/5773691.html

评价每个方案的优缺点主要在：精度、效率、追踪鲁棒性、重定位、场景拓展等方面来考核。

可参考刘浩敏的视频讲解。

https://www.bilibili.com/video/av5934066/​www.bilibili.com/video/av5934066/

（以上是我学习过程中的一点小总结和体会，如有错误请大佬多多指出）