INTRODUCTION
1. 介绍了SLAM的组成（位姿评估和建图）。
2. 引出SLAM的重要性twofold(用于路径规划等应用，也对定位有辅助作用）。
3. 机器人应用中环境地图被作为先验（工厂人造地图和GPS的例子）。
4. 室内应用促进了SLAM的繁荣，脱离了GPS，提供了更吸引人的方向，用户自建地图。
5. SLAM 经历的两个阶段
- classical age: 引进概率公式到SLAM，包括EKF, PF, 最大似然估计，基本挑战是效率和鲁棒数据关联。
- algorithmic-analysis age: 该时期对SLAM基础特性的研究包括可观性，一致性和收敛性。该阶段对于SLAM的效率起关键作用的稀疏性也有了很好的了解，并有了开源库。
6. 更多最近的SLAM研究，主要是覆盖到SLAM的某一方面或者子领域。
- 前端 CV、 DSP。
- 后端 几何学、图论、 优化和概率评估。
- 需要传感器和系统的基础。
作者提出问题：
Do autonomous robots really need SLAM?
１. 回答这个问题首先要知道SLAM的独特之处，SLAM旨在通过运动单元评估和回环检测建立对环境的全局一致表达。回环很关键，如果去掉回环SLAM变成里程计。早期轮式里程计很容易漂移。外部路标点的观测有助于减少轨迹的漂移并修正它的发现促进了后期SLAM的发展。现在的VIO可以有很小的轨迹漂移以下从三分方面回答：
- 首先，近十年来，VIO不但繁荣发展，也成为了当下start of the art 的代表，促进了研究多传感器融合去处理挑战环境的流行。
- 然后从回环的角度；里程计的世界是无限的，回环模块可告诉里程计，有可能自交。所以通过寻找闭环，机器人理解了环境的真实拓扑结构，并因此可以找到捷径。既然环境拓扑图有此优势，为何不只做位置识别，抛弃度量信息呢？metric information 会使place recognition 更鲁棒、简单。（inform）metric information predict and validate place recognition。
- 最后SLAM被需要因为很多应用需要具有全局一致性的地图。例如桥梁检测等。
2. SLAM是一桌满汉全席，萝卜青菜，可以根据口味选择。例如，有拓扑图，可知是否可到达，但不适合用作路径规划或里层次控制；局部地图可用来避障或局部环境交互，但是牺牲了准确性；全局地图可用来路径规划，但有很高计算和维护需求。非常task-dependent。
Is SLAM solved?
1. 另一个热点话题，但是就像上面的task-dependent一样，只有给定了机器人/环境/性能需求才好定义：
- 机器人：运动类型（动态、高速）、传感器数据（分辨率、采样率）、计算资源；
- 环境： 2D or 3D、自然 or 人造路标、大量动态、对称、感知混淆风险元素。这些问题也依赖传感器类型，比如两个相似的屋子2D雷达扫描可能会混淆，camera则可以分辨。
- 性能需求：准确率，环境表达方式、成功率、时延、地图最大区域等。
例如面对2D室内环境轮式里程计加雷达基本可以解决。同样。基于视觉SLAM的慢速移动机器人和VIO都被认为是成熟的研究领域。但当前的SLAM算法也很容易失败，或者机器人的动作或者环境太有挑战性（高速运动或高动态），SLAM算法通常也不能实现很高的性能需求，实现快速的闭环控制对于高频率的评估。
2. 我们认为我们已经进入了SLAM的第三纪元 robust-perception age, 该时代有一下特性：
- 鲁棒表现：对于长时间，大环境有低失败率。系统包括了安全失败和自调优能力，对于参数可以因地制宜；
- 高层理解：不只是重建，获得跟高层次的理解；
- 资源意识：系统被定做为根据可获得数据调整计算资源；
- 任务驱动： 地图自适应表达，可以根据任务产生不同复杂度的地图。
Paper Organization
SectionII：SLAM标准公式和框架
Section III：解决life-long（长时间）SLAM中的鲁棒性
Section IV：处理尺度变化
Section V：讨论如何建图
Section VI：将建图问题扩展到语义地图。
Section VII：概述了当前SLAM的理论成果
Section VIII：拓宽讨论范围，回顾了使用决策来改善SLAM结果质量的活动SLAM问题
Section IX：概述了SLAM的最新趋势，包括非常规传感器的使用
Section X：最后评论
