Lu等人和Gutmann等人将SLAM问题定义为一共最大后验估计问题，目标是从一组观测（\(Z=\{z_1,\cdots,z_k\}\)带有噪声）中估计一个变量\(X\)（包括机器人姿态和地标位置）。
\(X^*= \underset {X}{\operatorname {arg\,max}} P(Z|X)P(X)\) （1）
等式（1）遵循贝叶斯定理。\(P(Z|X)\)表示状态\(Z\)（给定变量\(X\)）的可能性，\(P(X)\)表示变量\(X\)的先验概率，所以后验概率表示为\(P(Z|X)P(X)\)。这个问题一般化为确定一个分配变量\(X^*\)，使得\(P(X|Z)\)最小，并进一步确定变量\(X\)。SLAM问题最为重要的答案之一是由Davison等人提出的，他们首先使用扩展卡尔曼滤波器（EKF）进行更新相机和地表点的状态信息。与之不同的是，基于集束优化的非线性优化方法，通过将具有约束变量的全局约束方程进行优化，而不是纯粹的迭代求解EKF，来求解最大后验概率估计问题。相比而言，基于EKF的SLAM方法在处理小范围场景应用的情况下比基于优化方案的SLAM方法具有更高的效率；但是，对于大范围场景应用下，基于过滤的SLAM方法由于需要计算较大的协方差矩阵而造成性能表现欠佳。
开源V-SLAM系统。一般的，V-SLAM系统可以通过相机类型进行分类，包括但不仅限于：单目，双目和RGB-D相机。作为详细的比较，作者坚信，对于一个V-SLAM框架评价的关键点，包括，是否能够稠密建图和回环检测，是否支持大量传感器，是否具备实时处理的性能。重要的是，为了简化目前语义SLAM的设计，许多研究之间参考了完善的V-SLAM框架。
表3进一步总结了它们的特性，包括前端，后端，重定位，回环检测等等相关描述。
我们认为在语义SLAM领域中的感知定义应该包含两个方面：对环境的理解和对人的理解。毫无疑问，一个环境模型（也被定义为环境地图）将会在这两个过程中发挥重要作用。
表4主要总结了一些语义地图的研究。
语义地图在一个宽广的场景下可分类为对象级别和像素级别。以前的研究建立了对象级别的语义地图的原始概念，即将提前建立好的已知对象的3D模型插入到无意义的稀疏点云地图中。很不一样的是，一些研究尝试通过一些传统的工具构造优越的像素级语义地图，比如：SVM（即使SVM一般被用在解决工业中的预测，分类和诊断问题），CRF，并且至今，因为这些工具被认为在对象识别和场景分割方面具有重要作用。但是，大部分情况下，这些有限制的工具不能满足分类的准确性要求。受到深度学习的启发，出现越来越多的基于CNN的对象识别、检测和分割的研究。因此，这些大量的成就为构建更多的像素级语义地图提供了保证。Li和Delaroussi提出了一个方法，即融合目前最先进语义分割的策略（即DeepLab-v2）和V-SLAM框架（大型直接单目，LSD-SLAM）。它的成功在于，通过一个多视单目相机构建一个半稠密的3D语义地图（区别于Mccmac等人的使用RGB-D相机构建的稠密3D语义地图）。值得注意的是，这个融合方案反过来，对于更大范围的2D单视角的语义分割方法有很大的性能提升。明显的，SLAM从本质上提高了语义分割的准确性。
2. 公开问题时变语义地图。语义地图为高级语义理解打下基础，但是远不能达到满足长期鲁棒定位的使用。一个理想的解决方法，是构建一个时变语义地图，因为一个模型对于所关注场景下的对象的时空关系不能被建立，和后续对象的空间变化（即运动）不能被预测这一事实。因此，我们相信，通过引入时变语义地图有助于长期动态定位。我们也相信，考虑到时空关系的原因，这些时变语义地图的基础就是一些人工智能的方法。据我们所知，目前语义SLAM很少涉及这方面的研究。