基于slam的三维重建_SLAM和三维重建有什么区别？

回答中很多人提SLAM比三维重建多了一个L(location)，我想也许可以稍微深入一点。

我们看一下定义：

(1)SLAM：同步定位与地图构建；定谁的位？相机的位，相机在机器人身上，就是定机器人的位。建谁的地图？相机经过地方的地图。二者结合，才能确定机器人在某个地图中的具体位置，和这个场景(地图)下的连续运动轨迹。

(2)三维重建(SFM)：从运动恢复结构。我觉得更像是构建目标的三维模型。

然后，我们看一下流行算法的效果：

SLAM----：蓝色表示运动位置。图1：LSD-SLAM-运动轨迹和稀疏的场景地图，黄色表示位置之间的约束，这是优化问题，不展开。图2：ORBSLAM2-运动轨迹和稠密(Dense)地图

SFM---::图3：KinectFusion-构建目标三维地图图4：ElasticFusion-构建场景地图

我们可以看出，SFM中构建的三维模型是很漂亮的，目标是人，就构建人，目标是物，就构建物，目标是地图，就构建地图的三维模型，所以我更愿意定义SFM：构建目标的三维模型。

SLAM(侧重定位)和SFM(侧重建图)联系很大的，大佬们为什么要把这两个东西分开？既估计出相机的运动轨迹，又把经过所有的地方(整个场景包括人，桌子，椅子)都构建出来，这不是更perfect的方案吗？

因为.....做不到，计算量达不到。

在SLAM中，现有方法可以做到小场景下的“相对”稠密化建图(图2)，而在大场景下(图1)是难以实现的。当你的目标是导航，就需要实时性的定位，大场景稠密地图的读取和储存，现有硬件条件是不可能达到的，但是，越稠密的地图才能更好的帮助机器人进行自主定位。所以，现在发展二十年之久的SLAM的遗留问题就有，稀疏地图稠密化(我构建了稀疏地图，但是为了自主导航，这个地图不够用)，或者稠密地图的稀疏表达(典型工作octotree)。

SLAM中的M什么时候能变成，真正能用做语义分割和识别的dense mapping，机器人的自主性会得到极大的进步。