SLAM為simultaneous localization and mapping的英文縮寫，也就是同時定位與建圖，localization在討論的是求出感測器自身的位置，mapping在研究的是環境周遭的模型，用一個更具體的例子來解釋SLAM的研究內容：
以前去外地念書的時候，剛搬進宿舍，環境都還不熟通常我們都會1.先觀察附近的環境，看什麼東西跟地標（特徵提取）2.在腦袋中記住並重現那些東西跟地標（建圖）3.邊走邊觀察環境，同時根據那些地標更新地圖（kalman filter）4.同時也要根據路上的特徵確定自己的位置（trajectory）5.走了一段時間，和腦袋中的地圖進行匹配，看現在走的地方之前走過了沒（closed loop detection）。而構建地圖跟確認自己的位置這兩件事是同時進行的，所以用simultaneous。藉由這個小故事我們可以得知：人的眼睛就是某種感測器，我們在不了解環境的情況下，在運動過程中建立環境模型，同時估計自己的運動（軌跡），這就是SLAM研究的課題。
經過剛才的介紹，我們大概可以把視覺SLAM分成幾個部分：1.Visual Odometry or Front End，估計相鄰畫面（圖片）間感測器的的運動關係，2.Optimization，透過狀態估計來表達自身及環境的不確定性，並採用濾波器去估計狀態的均值和不確定性，3.Closed Loop Detection，透過感測器能識別曾經來到過此地方的特性，解決隨時間漂移的情況，4.Mapping，根據估計的軌跡，建立對應的地圖。
目前為止，大致可以了解SLAM研究的內容，接著我們在討論幾個重要的名詞，運動方程：考慮從k-1到k時刻，感測器位置x是如何變化的（u是感測器的數據，w是雜訊）；觀測方程：當感測器在位置x上觀測到的路標點y，產生的觀測數據z（v是雜訊）。
我們藉由運動方程及觀測方程，在知道u（感測器數據）及z（觀測數據）的情況，求解x（感測器位置）及y（實際路標點），也就是個定位及建圖的問題。
此時，我們已經把原本的SLAM問題變成了一個狀態估計問題，狀態估計問題的求解，依照這兩個方程式線性與否及雜訊是否成高斯分佈，分為四種系統，四個系統的最優估計會使用不同的方法，例如線性高斯系統可使用Kalman Filter，而非線性非高斯則會使用Extended Kalman Filter。
Reference：
- 視覺SLAM 14講
- https://www.zhihu.com/question/35823479