特征圖（或者叫地標圖，landmark maps）利用參數化特征（如點和線）的全局位置來表示環境。如圖1所示，機器人的外部環境被一些列參數化的特征，即二維坐標點表示。這些靜態的地標點被觀測器（裝有傳感器的機器人）利用多目標跟蹤的方法跟蹤，從而估計機器人的運動。
Fig.1 Feature maps.
機器人的定位是通過建立傳感器觀測特征和圖map中特征之間的關系來確定的。預測特征的位置和量測特征位置之間的差別被用來計算機器人的位姿。這種方式，類似於多目標跟蹤問題，但是不想傳統的多目標跟蹤問題，這里的目標群是靜止的，但是觀測的機器人是運動的。
先驗特征圖里面的地標位置被假設已知的，因此每個特征都很容易被一個參數集表示。假設機器人的量測，即從環境中提取的特征被正確地關聯到圖中的已有特征，我們就可以利用標准的估計技術如EKF來跟蹤機器人的位姿。因此，數據關聯（data association）是基於特征圖的定位實現的主要弱點。
Fig.2 SLAM中不確定性的相關性分析
基於特征圖的SLAM包含兩個主要任務，首先需要將機器人上傳感器新觀測到的特征添加到Map中，新特征的添加是基於此時機器人位姿作為參考的；另一個任務是利用Map中現有的特征來估計機器人的位姿。傳感器測量的不確定性將會導致機器人位姿和觀測特征定位的確定，這些不確定性是相互依賴或者說相互關聯的。如圖2所示，在（a）中，機器人觀測到f1，並初始化f1，因此該特征的定位便依賴於此時機器人的位姿。在下一個時刻(b)，機器人再次觀測到f1，並初始化新特征f2。因此，新特征f2的初始化便依賴於該時刻機器人的位姿估計，在初始化新特征的同時，機器人位姿的估計將反過來依賴於已觀測特征f1。
下一節，我們將介紹基於Feature maps的隨機SLAM算法。