- 文献综述（或调研报告）：
国内外针对基于激光和视觉的机器人定位方法的文献已有很多，但他们大多数都只使用了一类传感器——激光雷达或者相机，即只用了激光定位和视觉定位中的某一种。本文就其中主要方法进行了调研。
- 使用激光雷达作为主要定位方法
在文章LOAM: Lidar Odometry and Mapping in Real-time[1]中，作者提出了一种单使用激光雷达的方法（LOAM）。LOAM方法把整个功能的构造里程计（Odometry）部分和构建地图（Mapping）部分分开。在里程计部分中，通过设置，使激光雷达算法运行在高频率但低精度的状态，以此来高频的刷新估计激光雷达自身的运动位姿；而在构建地图部分中，通过设置，让其以一个低数量级的频率运行，以便减轻处理器的负担，进行点云的匹配和校准。
图1 LOAM算法演示
在此之前的传统方法都是用低频来同时处理里程计和建图。但由于激光实时传输，构图却是缓慢的，下一时刻接收到激光时车辆已经运动了一定距离，这样不断积累将造成巨大的失真。本文开创性的采用高频的Odometry里程计模块来恢复失真，同时，为了减轻处理器负担，让建图模块保持低频。
经过实验，本文中的loam算法在室内室外都可以很好的工作，但鲁棒性差，抗干扰能力差，并且没有引入回环检测。未来可以加入回环检测作为改进。也可以再加入其他传感器，综合考虑，进一步减小定位误差。
另一个在loam基础上做出改进的算法在文章Low-drift and real-time lidar odometry and mapping [2]被很好的阐释。与loam相比，本文的设备从2轴激光雷达变为了3D的激光雷达。同时，尽管不是必要的，但是可以用一个IMU来提供一个对高频运动的先验估计，这可以很好的提高定位精度。在建图部分，和loam一样，采用低频进行。
- 使用视觉作为主要定位方法
同样举文献中的例子。在文章Direct Sparse Odometry [3]中，作者使用直接并且稀疏的方法来进行定位。它舍弃了使用其他方法得到的平滑度信息，在整个图像中均匀采样像素点。同时，也不依赖于关键点检测或描述符，还考虑了曝光时间、光度校准和非线性响应等问题。
使用直接法可以无缝重建所有点，而不仅仅是边角点。使用稀疏法也相对更加高效和简便。在开始时忽略了其他直接法的先验，有助于均匀评估像素点邻域上每个点的光度误差，良好的约束整体。
