无卫星导航条件下的定位技术：通常情况下在室外可以通过全球定位系统(GPS)、北斗定位系统（BDS）、格洛纳斯（GLONASS）等卫星导航系统获取自身的位置信息完成定位。但是在室内或者复杂环境下，GNSS信号可能十分微弱甚至不存在，因此在这种环境下，需要通过其他方法完成定位功能。
目前来说，在无GNSS环境下的定位主要是通过搭载一些传感器或外部设备结合相关算法实现对自身位置的估计。通过搭载传感器辅助定位是最常见的方法，例如IMU、视觉传感器和激光传感器等。其中视觉传感器结合IMU等传感器的方法采用的最多，视觉里程计和视觉SLAM技术在其中起到了很重要的作用。
SLAM：同时定位与地图构建(Simultaneous Localization And Mapping) [18]，通常是指在机器人或者其他载体上，通过对各种传感器数据进行采集和计算，生成对其自身位置姿态的定位和场景地图信息的系统。SLAM技术对于机器人或其他智能体的行动和交互能力至为关键，因为它代表了这种能力的基础：知道自己在哪里，知道周围环境如何，进而知道下一步该如何自主行动。它在自动驾驶、服务型机器人、无人机、AR/VR等领域有着广泛的应用，可以说凡是拥有一定行动能力的智能体都拥有某种形式的SLAM系统。
一般来讲，SLAM系统通常都包含多种传感器和多种功能模块。而按照核心的功能模块来区分，目前常见的机器人SLAM系统一般具有两种形式：基于激光雷达的SLAM(激光SLAM)[1]和基于视觉的SLAM(Visual SLAM或VSLAM)[2]。
激光SLAM：激光SLAM脱胎于早期的基于测距的定位方法(如超声和红外单点测距)。激光雷达(Light Detection And Ranging)的出现和普及使得测量更快更准，信息更丰富。激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点，被称为点云。通常，激光SLAM系统通过对不同时刻两片点云的匹配与比对，计算激光雷达相对运动的距离和姿态的改变，也就完成了对机器人自身的定位。
激光雷达距离测量比较准确，误差模型简单，在强光直射以外的环境中运行稳定，点云的处理也比较容易。同时，点云信息本身包含直接的几何关系，使得机器人的路径规划和导航变得直观。激光SLAM理论研究也相对成熟，落地产品更丰富。
激光SLAM通常包括如下几个部分，特征提取，数据关联，状态估计，状态更新以及特征更新等。对于其中每个部分，均存在多种方法。2D-SLAM[3]和3D-SLAM[4]。一下大概分为三种形式：
Localization：在给定地图的情况下，估计机器人的位姿。
SLAM：同时估计机器人的位姿和环境地图。
Mapping：在给定机器人位姿的情况下，估计环境地图。
