定位和建图的准确性，可以衡量一个自主导航系统的可靠性。一般而言，如果需要提高准确性，语义几乎可以被包含在传统SLAM算法框架的所有阶段，例如：初始化，后端优化，重定位，回环检测等等。在后面章节陈述详细的讨论之前，我们要首先总结语义SLAM相关的研究。
这些研究致力于系统准确性的提高，如表6所示。
由于图像之间没有绝对的基准，单目V-SLAM系统的尺度不可避免地随着时间出现模糊和漂移。因此，在开发单目V-SLAM系统初始化中地一个关键问题是，如何矫正尺度模糊和漂移。这些问题研究中相同重点是，它们都引入了图像语义地概念。作为图像语义地一种形式，对象的大小被完全考虑在内，并且单目尺度初始化过程被认为更加简洁有效。在公开数据集上地实验结果验证了这些方法在大量应用上的有效性，包括从小范围地室内场景到大范围地室外场景。
语义和几何联合优化最紧密地语义和几何联合优化框架之一被Bowman等人提出，他们首先提出了概率数据关联地方法。如果连续和离散数据都涉及到数据关联任务中，直接使用一个MLE（最大概率估计）方法不能解决问题。因此，作者巧妙地将主要问题分解为多个子问题，就是，他们将所谓的混合关联分为两个步骤：离散语义关联和连续姿态估计。这个两部联合迭代计算问题，能够被经典地期望最大算法简单地解决。此外，被对象检测所提取出的语义最重要的点是，它在后端优化中发挥重要作用。
Linaos等人提出了一个合并SLAM后端中的语义信息（通过语义分割提取出）。事实是，2D对象边界不能准确地表达出所匹配地3D对象地边界，Linaos的方法被认为在实际应用更加有效。最新的研究将2D对象检测运用到推理3D对象的边界边框。从工程角度，这个方法能够适用于准确度要求较低但是具有实时要求的语义SLAM系统中。
重定位和回环检测重定位和回环检测检测采用相同的技术，但是，它们却是解决不同的问题。重定位的目标是恢复相机姿态，但是回环检测的功能则是获得几何一致地图。不考虑单个技术功能的差异性，我们更加关注这些技术的相同点。因此，这一小段主要是描述基于语义的重定位算法，大多遵循面向运用的思路。
几何定位的主要限制在于，对于预先构建好的地图，长期定位具有难度场景的能力。但是，基于语义的方法是这个具有挑战性问题的答案。从近来的研究中可见，一项基于语义的交叉推理定位算法被提出。原则上，几何定位算法依赖于图像形状之间的相似性，并且这明显受限于研究者，即使图像从相同位置采集，季节的变化足以使所关注的图像表现得不一致，以至于匹配关系变得不可靠。在这种情况下，语义肯定会让人联想到，跨季节本地化研究的重要贡献之一是，单个图像中语义对象的拓扑随着时间的推移将保持一致。这个跨季节定位方法被应用在无人驾驶中，可以表现出足够的可靠性。一个新颖的基于图的语义重定位方法被Gawel提出，在这样的系统中，带有语义的关键帧被转化为一组3D图，并且这些3D图被用来在预先构建好的环境地图中进行匹配。处理季节变化，引入的语义信息同样解决更大的视点变化或照明变化，甚至部分由于时间引起的场景结构变化。重定位和回环检测方案所产生的准确性提升验证，作为V-SLAM系统的一个附加功能。
公开问题部分语义SLAM研究者关注基于深度学习方案的流程设计，从而可以搭建一个可训练的端到端的SLAM系统。近年来，已经有尝试使用CNNs的方法来估计一张图像的深度信息。即使可行性得到了验证，限制CNN泛化能力所带来的困难仍然是一个固有的不适定问题。一些研究者做出一些努力，即采用一些端到端的方案，在一对图像中联合估计位姿信息和相机的移动。此外，Wang和Clark提供一个可替代的方案，就是直接从视频中推理姿态和不确定性。从他们的实验中可知，他们已经采用层级式网络设计，伴随认真的参数配置和充足的训练，这样能够在给定数据集上得到当前最优的准确性。与此同时，反对者仍在争论管线形SLAM在实际应用中的不良性能；他们在强调“可解释性”和“泛化性能”的问题。对于此，研究者目前致力于深度学习建模方法，为了更好的解释下和多维度可视化。
Ⅵ.讨论