根据所使用的技术，SLAM 算法分为三类：基于滤波器的 SLAM、图形 SLAM 和基于深度学习 (DL) 的 SLAM。基于滤波器的 SLAM 将该问题视为状态估计问题。状态由机器人的姿态和地图组成，由滤波器根据机器人探索过程中的测量值进行迭代更新。基于 DL 的 SLAM 通过用 DL 网络替换整个端到端过程来解决问题。只有图形 SLAM 中的子任务可以用 DL 网络替代。然而，将此类算法归类为图形 SLAM 是合理的。图形 SLAM 是目前较为先进的算法。基于端到端 DL 的 SLAM 最近确实取得了可喜的成果，但还不成熟，而基于滤波器的 SLAM 总体上比图形 SLAM 的表现更差。因此，本文的讨论仅限于图形 SLAM。SLAM 算法可以根据主传感器进一步分类，例如视觉 SLAM、激光雷达 (LiDAR) SLAM 等。惯性测量单元 (IMU) 或惯性导航系统 (INS) 通常与主传感器一起使用，以提高姿态估计的准确度。