Als SLAM-Verfahren (engl. Simultaneous Localization and Mapping) werden Algorithmen bezeichnet, die eine zuverlässige Schätzung der Pose eines beweglichen Fahrzeugs (Roboter) innerhalb einer Umgebung vornehmen und gleichzeitig eine geometrische Karte der Umgebung erstellen, durch die sich das Fahrzeug bewegt. Um eine grobe Schätzung der Pose eines Fahrzeugs vorzunehmen, werden gewöhnlich Sensoren wie Gyroskope, Radencoder oder visuelle Odometrie-Systeme eingesetzt. Die genannten Sensoren liefern Informationen über die momentane Bewegung des Fahrzeugs, die unter Verwendung geeigneter Bewegungsmodelle zur Schätzung der Pose des Fahrzeugs in jedem Zeitschritt herangezogen werden können. Die damit erhaltenen Bewegungsinformationen sind jedoch ungenau, wodurch sich die Fehler bezüglich der Schätzung der Pose des Fahrzeugs akkumulieren. Um dieser Herausforderung zu begegnen, wurden daher SLAM-Verfahren entwickelt, die extrinsische Sensoren zur Durchführung zusätzlicher Messungen verwenden und diese mit weiteren Daten verknüpfen. Dadurch kann die Fehlerakkumulation eingeschränkt und eine genaue Karte der Umgebung erstellt werden. Traditionelle SLAM-Verfahren verwenden extrinsische Sensoren, die Abstands- und Winkelmessungen zwischen dem Fahrzeug und speziellen Merkmalen der Umgebung (Landmarken) liefern. Zu diesem Zweck werden in der Regel Laser-Entfernungsmesser oder Stereokameras eingesetzt. Laser-Entfernungsmesser sind jedoch im Allgemeinen sehr teuer und hauptsächlich für Innenraumumgebungen geeignet. Die Verwendung von Stereokameras erfordert aufgrund der Assoziation von Merkmalen zwischen den beiden Kameras zusätzliche Rechenkapazitäten. [...]

Simultaneous Localization and Mapping (SLAM) refers to the algorithms utilized to achieve a reliable estimation of the pose of a mobile vehicle (robot) and also a geometric map of the environment through which the vehicle moves. To have a rough estimation of a vehicle's pose, usually, sensors such as gyroscopes, wheel-encoders or visual odometry systems are applied. The sensors provide instantaneous motion parameters of the vehicle which can be used along with proper motion models to estimate the pose of the vehicle at each time instance. Nevertheless, the mentioned sensors cannot provide precise motion parameters, giving rise to accumulating errors concerning the vehicle's pose. To address this problem, SLAM algorithms have been introduced to utilize extrinsic sensors to obtain extra measurements and to fuse those with other sources of data in order to limit the increasing errors and generate a reliable map. In conventional SLAM systems, extrinsic sensors are used, which deliver distance and bearing measurements between the vehicle and special features (landmarks) in an environment. The sensors for such measurements could be laser range finders or stereo cameras. Laser range finders are generally very expensive and they are mostly suited for indoor environments. Using stereo cameras necessitates extra computation loads for feature associations between two cameras and if the features are far from the camera (depending on the resolution of the camera), the estimated positions of the landmarks have large uncertainties which cannot be modeled by Gaussian models. Therefore, applying monocular cameras has attracted the attentions of researchers in the recent years. This type of SLAM is known in literature as monocular SLAM which consists of three parts. First, feature extraction and tracking within the frames.