SLAM乃是用於機器自身"定位"，並同時"建構"環境的地圖，
與古老的技術，刻木頭以防止在林中迷路，有異曲同工之妙。
在此補上，SLAM相關開放領域的說明
歷史
(經查以下年分稍有偏誤，確切請依論文年分)
廢話不多說，接著我們進入正題
SLAM一詞始於1990年，本為了對空間不確定性做預估，
隨後此技術並無飛快成長，網路上可考資料，
多半以軍事、研究用途。
(個人認為，是受到感測硬體昂貴、
運算速度軟硬體上難突破、應用領域小影響)
但十幾年後，電腦、機器人普及，運算硬體的升級與降價，
最重要的是數位鏡頭的演變，在visual SLAM被提出後，
近十幾年內，默默火速成長 !
2004
Mono-SLAM(Monocular)首先被提出，基於單目來實現SLAM
但鏡頭精細還不如現今成熟，所以當時仍然受限硬體影響。
2007
PTAM(Parallel Tracking and Mapping)被提出
此技術是為AR而誕生的，用來估測深度資訊，
透過估算，慢慢長出並建構3D的平面，
然而此技術卻對SLAM產生長遠影響。
2010
PTAM-SLAM被提出，因為PTAM推算平面的演算方法，
適合用在SLAM建構地圖上。
倚賴硬體的發展，Mono-SLAM使用此方法被實現出來。
2013
EKF-SLAM被提出，搭載卡爾曼濾波器的演算方法，
Kalman Filter 的原理在於利用現在的狀態資訊，
加上下一秒的輸入，推斷出下一時刻的輸出，
為最受推崇的機器人定位估算數學模型。
2013
Co-SLAM(Collaborative Visual SLAM)
同時使用多顆鏡頭，來完成SLAM，
之所以會使用到多顆鏡頭，
是因為物件深度的估算，採用的為"三角定位法"，
通常會使用兩顆鏡頭以上
單目之所以能實現深度，是利用時間差的兩張圖片
計算出來的。
(雙目以上的SLAM，硬體成本較高且複雜，
現今多致力於單目與RGBD-SLAM上)
2014
RGBD-SLAM(color + depth)
使用色彩與深度資訊，轉換成3D資料，
並利用深度與相機參數，估算自身定位。
受到深度相機(kinect、real sense)的普及，
深度資訊取得更容易，不用自己算了!
(根據google的tango計畫，未來智慧手機2.0上，
也將都搭載深度相機。)
因為不用自己算，所以快速、誤差低，
乃是至今仍發展中的一個流派。
2014
LSD-SLAM (Large-Scale Direct Monocular)
顧名思義，在大範圍的場景使用單目，來完成SLAM
此方法提出一種新概念，"大範圍"與"不再使用特徵點"，
直接連貫地拼接地圖
解決了過於單調的場地，找不到特徵拼接點的問題
2014
LSD+SVO-SLAM(Semi-dense Visual Odometry )
上一版本的改良，使用極少量特徵，來做修正。
2015
ORB-SLAM(Oriented FAST and Rotated BRIEF SLAM )
PTAM使用特徵點流派的復興，基於單顆鏡頭，
使用兩種比對特徵的演算法，建構環境。
(FAST + BRIEF，快速並解決旋轉不變性問題，
適用於連續影像的追蹤比對)
2016.01
ORB-SLAM2，加入支持雙目的功能。
2016.07
LSD+DOS-SLAM(Direct & Sparse Visual Odometry)
LSD使用直接法(Direct Method)，所以容易受外界光影響
於此加入光度校正，加強準確度。
(此法數學與物理複雜，在下也沒讀很懂，
有興趣的人可以再去看原文網站)
2016.11
ORB-SLAM2，加入支持RGBD的功能。
分水嶺
至此進入分水嶺，硬體上多半以單目(至多雙目)、
彩色 + 深度相機為主，
然而以是否取用特徵點分為兩個流派。
但硬體簡單，計算相對複雜
RGBD雖然資料直觀減少運算，但範圍卻受到深度相機限制
單目直接法(Direct Method)，可以被用於大場景
取用特徵點與否，也受到使用空間範疇的影響
直接法(Direct Method)雖然受到光源影響
但卻可以解決沒有特徵的地方
使用特徵，在校準與追蹤上相對容易實現。
現在才剛進入2017，直至2016年底，各家SLAM都還在奮戰，
這是一個尚無盡頭，不會停止的戰爭，
沒有人的方法可以一統天下，
並且占盡優勢解決所有範疇。
(其他還有不少SLAM淹沒在洪流中，演算法更是百百種，若有遺漏未介紹到，還請見諒。)
參考資料 :
PTAM-SLAM :
http://www.doc.ic.ac.uk/~gj414/monocular_slam/ptam.html
SLAM的演算法 :
http://www.iceira.ntu.edu.tw/project-plans/200-iii
LSD-SLAM :
http://vision.in.tum.de/research/vslam/lsdslam
ORB-SLAM :
http://webdiis.unizar.es/~raulmur/orbslam/
