魯棒性問題：數據關聯是影響系統魯棒性的主要原因
特征提取、線特征
短期內的數據關聯是最容易處理的，新的研究方向包括特征提取、線特征等。
回環檢測
對於前端的環閉合檢測，檢測當前測量中的特征並試圖將它們與所有先前檢測到的特征匹配的暴力方法並不切實際。通過詞袋模型可以量化特征空間並進行有效的搜索來避免這種難題。詞袋模型可以設計成層級字典樹，可以在大范圍數據集中有效查找。基於詞袋模型的技術在處理單任務閉環回路檢測中表現出非常可靠的性能。然而，這些方法無法處理劇烈的圖像變化，因為視覺單詞無法匹配。這導致開發出新的方法，通過匹配序列、將不同的視覺外觀聚集成統一的表示、或者使用空間和外觀信息等來明確地解釋這種變化。
回環檢測校驗
前端中長期數據關聯更具有挑戰性，同時需要閉合回路的檢測和校驗。錯誤的回環閉合會嚴重損害最大后驗估計的質量。為了處理這個問題，最近出現了很多研究，提供了一些方法，可以使SLAM后端對不合格（偽造）的觀測值處理更有彈性。這些方法基於回環閉合的有效性進行推導，即回環閉合時通過添加優化過程的參差約束。
傳感器失敗
如果傳感器精度由於誤操作或老化而降低，傳感器的測量（噪聲和偏移）質量不能匹配后端的噪聲模型，將會導致較差的估計。問題便是：我們如何檢測不良傳感器的運行狀態？如何相應地調整傳感器數據統計模型（協方差、偏移）？
時間變化和地圖畸變
大場景非固定地圖仍然需要大量研究。
自動參數調整
SLAM系統（特別是數據關聯模塊）需要進行大量的參數調整才能在給定方案中正常工作。 這些參數包括控制特征匹配的閾值，RANSAC參數以及決定何時向圖表添加新因子或何時觸發回環閉合算法搜索匹配。 如果SLAM必須在任意場景中“開箱即用”，則需要考慮自動調整所涉及參數的方法。
度量地圖模型
理解如何為SLAM中地圖選擇合適的度量表示（以及擴展當前在機器人中使用的集合或表示）將影響許多研究領域，包括長期導航，與環境的物理交互以及人機交互。目前，在建圖過程中如何有效的建模3D幾何空間仍然處於早期階段。基於的路標稀疏表示、低層次原始數據稠密表示、邊界和空間分割稠密表示、高層次基於物體的表示。
點雲和3D幾何模型存在兩個弱點
機器人目前主要關注點雲或TSDF構建3D幾何模型，這些方法存在兩個弱點。首先，資源浪費問題。比如，兩種表示方法使用了很多參數（比如，點，體素）來編碼簡單的環境，甚至是空房間。其次，這些表示方法並沒有提供對3D幾何的高層理解。比如，機器人需要分辨出它是在房間還是在走廊運行。更復雜的模型（例如，參數化的基元實例化）將提供辨別兩個場景的簡單方法（例如，通過查看定義基元的參數）。
高層次表示有一下三個作用：
a. 使用精簡的表示方法可以在大場景建圖時提供一種壓縮地圖的方法；
b. 高級表示將提供對象幾何的更高級描述，這為促進數據關聯，位置識別，語義理解和人機交互提供理想特征；
c. 最后，使用豐富的3D表示可以實現與現有建築和現代建築管理標准的互動，包括CityGML [193]和IndoorGML。
最佳表示
3D幾何空間的不同表示方法領域很大，但只有很少的工作關注於如何確定特定表示方法的選擇標准上。直觀上，在簡單的室內場景中，通常會選擇參數化基元，僅用少量參數就可以足夠描述3D幾何空間；另一方面，在復雜的室外環境中，可能更傾向於網格模型。因此，如何比較不同的表示方法，如何選擇更好的表示方法？通俗的定義是 “最佳”表示是能夠預先形成給定任務的表示，同時簡潔且易於創建，最大的對不利因素的不變性。針對一個任務選擇最好的表示方法，尋找一個通用的且易駕馭的框架的方法仍然是未解決的問題。
最后總結兩個問題：為什么需要SLAM？ SLAM的作用？
為什么需要SLAM?
a. 充當里程計的功能，計算機器人軌跡。
b. 回環檢測，形成環境真實的拓撲結構。
c. 生成全局一致性地圖。
SLAM解決了嗎？
SLAM是個很大的問題，所以需要指定特定情況才能回答這個問題。在機器人/環境/性能組合的情況下回答這一問題。 特別是，一旦指定了以下方面，就可以評估SLAM問題的成熟度：
a. 機器人：運動類型（比如，運動狀況、最大速度），可用的傳感器（如，分辨率、采樣速率），可用的計算資源；
b. 環境：平面或三維的，自然路標或者人工路標，運動元素的數量，對稱的數量和感知混淆的風險。這些方面都依賴於傳感器與環境的匹配；
c. 性能要求：機器人狀態中的期望精度，環境表示的精度和類型（比如，基於路標點的或稠密點雲），估計延時，最大運行時間，最大地圖面積。