前言：

这里比较一下视觉SLAM和激光SLAM的区别，仅比较其在算法层面上的一些不同，这里拿视觉SLAM算法：ORB-SLAM系列和激光SLAM算法：LOAM系列对比。

一：特征提取

1.ORB-SLAM（视觉SLAM）

ORB-SLAM算法采用ORB特征点，ORB特征点一般提取在角点上面，每一个ORB特征点具有以下信息：

• 位置信息：该ORB特征点所在的图像像素坐标。
• 描述子信息：用来描述该特征点的周围信息。

2.LOAM（激光SLAM）

LOAM算法采用线点和面点作为特征点，每个特征点仅具备位置信息：

• 位置信息：该特征点在当前雷达坐标系下的空间点坐标

二：特征匹配

1.ORB-SLAM（视觉SLAM）

ORB-SLAM算法对于每个特征点寻找自己的匹配点，其根本方法都是比较特征点之间描述子直接的汉明距离，距离小于设定的阈值即可认定为是匹配点。对于如何寻找特征点的候选匹配点范围有以下几种方法：

暴力匹配（单目初始化）：

对每一个当前帧特征点画圆，计算当前帧特征点与上一帧圆内的特征点之间的描述子距离，距离最近且小于一定阈值的认为是匹配点。

词袋匹配（回环检测，丢失重定位）：

根据特征点的描述子距离，为每一帧的特征点赋予特征点在词袋中的节点信息。在进行特征匹配时，只在该特征点所属的节点内部搜索候选匹配点即可。

优点：

• 1.快速锁定候选匹配点，匹配效率很高
• 2.不需要位姿估计即可匹配。

缺点：

• 比较依赖字典，能够成功匹配的特征较少。

地图点投影匹配：

ORB-SLAM2中用到最多的匹配方式。其中地图点的来源主要如下：

• 恒速模跟踪模型中，地图点来自前一个普通帧。（会选择不同层级的金字塔中的特征点作为候选匹配点）
• 局部地图跟踪中，地图点来自所有局部地图点。
• 重定位跟踪中，地图点来自于候选关键帧。
• 闭环线程中，地图点来自于闭环关键帧及其共视关键帧。

相互投影匹配：

2.LOAM（激光SLAM）

激光中点云的配准主要以scan-to-scan或者scan-to-map为主。激光特征点寻找匹配点方式比较简单直接，对于当前帧每个点寻找上一帧或者地图中距离最近的点当做匹配点。

三：位姿估计

1.ORB-SLAM（视觉SLAM）

---

待更新