正文
哪种方法最好：基于特征的或稠密，直接方法？答案是取决于具体任务和性能要求（比如，时间，精度，失效率，等等）。基于特征方法的劣势是它依赖于特征类型，大量可靠地特征检测和匹配的阈值，还必须有鲁棒估计技术处
理不正确地匹配，实际上，大部分特征检测都被优化提高速度而损失精度。稠密，直接方法使用了图像上的所有信息，甚至是梯度很小的区域；因此，他们即使在场景纹理很差，失焦，运动模糊的情况下的性能也优于基于特征的方法。然而，对于实时性能，他们要求更高的计算性能（GPUs）。另外，如何估计稠密结构和运动仍然是一个未解决的问题（目前只能一个一个地估计）。比基于特征方法优化的方法有两种。半稠密方法只使用强梯度（比如，边缘）的像素克服了稠密方法的计算要求；半直接方法同时采用了稀疏特征（比如角点或边缘）和直接方法，被证明为非常有效率；另外，因为依赖于稀疏特征，他们需要估计结构和运动。
高阶物体表示。点云和边界表示目前在稠密建图领域占有主要地位，我们预见到高层表示，包括物体和固定形状，在未来SLAM中将扮演重要角色。早期的SLAM基于物体推理的技术是“SLAM++” ，这些工作源自于论文245,66,77。这些表示方法显示物体的3维表示优于1维云点或2维图像。构建物体外形与物理表示关联，比如对物体的大小和数量，对机器人来说非常重要，需要与外界交互。幸运的是，现有领域比如CAD和计算机图形学已经在这方面有了很大发展。可以参考以下例子：
基元实例化：依赖于物体的类别（比如，圆柱体，球体）。对于每种物体，需要定义一组 参数（比如，半径，高度），定义了一组物体的唯一成员（或实例）。据我们所知，目前没有SLAM方法采用这种表示。
扫描表示法：可以利用简单的规则沿着空间中的轨迹扫描2D或3D物体生成有效的实体。典型的扫描表示法包括平移扫描（或推出）和旋转扫描。比如，一个圆柱体可以通过平移扫描一个球体得到，它的轴和平面正交。在计算机视觉中，2D交叉扫描的一个例子是归一化圆柱体，它们应用于机器人抓取中，如论文225。这种表示法并没有用在SLAM中。
构造立体几何法：由两个实体/基元间的布尔运算形成的新的复杂实体。实体可以存储为二叉树，树的叶子是基元或是几何变换参数，非终端节点的边是施加于叶子节点的运算（比如并，交或差）或几何变换。这种表示方式也没有用在SLAM中。
也有其他表示类型，包括CAD中基于特征的方法，基于字典的表示方法，基于可供性的模型，生成或过程模型，和场景图像。另外，基于字典的表示方
法，定义了一个实体其组成部分可以存储在字典中，应用于机器人和计算机视觉中，字典是从数据中学习得来或基于物体模型的现有仓库。
待解决的问题
以下关于SLAM几何度量表示的问题，有很多基础研究工作，仍然有很多未知领域没有开发。
SLAM中的高层表示：机器人领域目前主要关注点云或TSDF构建3D几何模型，这些表示方法有两个弱点。首先，他们有一些浪费。比如，两种表示方法使用了很多参数（比如，点，体素）去将很简单的环境进行编码，甚至是空房间。其次，这些表示方法并没有提供对3D几何的高层理解。比如，机器人需要分辨出它是在房间还是在走廊运行。点云并不能提供关于环境类型的有用信息（比如，房间或走廊）。另外一方面，更复杂的模型（比如，基元实例化）提供了简单的方法区分场景（比如，根据参数定义基元）。因此，SLAM中的高层表示主要有3个作用。首先，使用精简的表示方法可以在大场景建图时提供一种压缩地图的方法。其次，高层表示可以提供更多的对物体几何信息的描述，这个特征是必须的，用于数据关联，位置识别，语义理解。3D几何信息的高层描述（比如，推断物体外形）会影响人机交互（机器人可以像人一样理解几何外形），还可以包含物理属性（比如，重量，或运动情况）作为推断或建图的一个步骤。最后，用多信息3D表示方法可以与现代建筑建造和管理标准保持兼容，比如CityCML和IndoorGML。目前并没有SLAM技术可以构建更高层的表示，从而超越现有技术，点云，网格模型，点元模型，TSDF模型。
