與現有方法的異同
特征點SLAM中的數據關聯
先回憶一下特征點SLAM中，我們是如何處理數據關聯的。下面以ORBSLAM為例。
在初始化部分，我們通過特征描述子的相似性，建立兩幀之間的特征點關聯，然后通過RANSAC框架下的姿態估計算法得到初始的R和t，重建和優化三維點的位置。
在追蹤部分，我們首先會關聯當前幀和上一幀。通過預估的姿態和三維點的深度范圍，初步確定每個三維點在當前幀上的搜索范圍，並依靠特征描述子的相似性建立關聯關系。由於這樣建立的關聯關系中存在部分誤匹配，因此在姿態估計等后續算法中需要RANSAC框架。
在重定位部分，我們通過特征描述子的相似性建立當前幀和候選幀之間的特征點關聯，在RANSAC框架下利用P4P嘗試求解並優化相對姿態。
回環檢測部分和重定位部分類似，只不過求解的是Sim3姿態。
可以看出，ORBSLAM中的數據關聯是一對多的，即一個landmark對應於一組觀測值，每個觀測值只對應於一個landmark。特征點SLAM是先做數據關聯，再求解和優化姿態。由於錯誤的數據關聯會影響姿態估計准確性，因此上述算法中大量調用RANSAC框架。
直接法SLAM中的數據關聯
直接法的數據關聯方法和特征點法有明顯的區別。以DSO為例，在初始化部分，直接法通過極線搜索光度誤差最小的點，並計算逆度和方差。在追蹤部分，數據關聯和姿態優化是融合一體的。這里沒有顯式的對應點的概念。而是根據深度和姿態的變化，圖像上的對應點一直在變化，通過最小化光度誤差來求解姿態和深度。直接法暫時沒有重定位和回環檢測部分。
在優化時，DSO用魯棒的核函數來降低局外點的影響，並通過一些規則去除錯誤的數據關聯。
基於概率的數據關聯
基於概率的數據關聯和上述兩種有區別也有聯系。
對於一個landmark和一幅圖像，特征點SLAM是一對一的，直接法是一對多的（一個由深度及其方差決定的區域），概率關聯是多對多的。
圖像中的檢測出的目標物體有固定的位置，是離散的，在這方面更像特征點。但由於圖像中的目標（10個左右）並不如特征點那樣豐富（1000個左右），錯誤的匹配不方便通過RANSAC算法來排除（樣本不足）。
基於概率的數據關聯會充分考慮到一個物體對應於多個檢測結果的情形，這點和直接法的數據關聯又有點像，其關聯關系並不固定。