激光雷达SLAM包括以下方案:

直接法，直接法的典型代表是ICP和NDT系列。ICP可以直接计算激光的位置和姿态，多帧可以形成联合优化。这种方案简单而有效，常用于激光雷达的多程对准。

基于特征匹配(LO)，这种方案的典型代表是LOAM和随后的改进方案A-LOAM/F-LOAM。该方案通过寻找线、面特征和匹配特征来计算帧之间的姿态，并且可以对多个姿态进行BA优化。

多传感器融合方案。这一方案的典型代表是LIO-映射、LINS和LIO-萨姆。LIO映射算法借鉴了VINS-莫诺的前置积分和后端优化，前端视觉里程表改成了激光里程表。

基于网格，这个方案的代表是Google的开源制图学，在室内机器人定位方面有优势。

基于面板，这种方案的典型代表是suma。

基于语义信息，这种方案的典型代表是segmap和suma++。

高精度地图的制作包括语义信息提取(通常来自视觉，但也来自激光)、单向LIO(GNSS+IMU+DMI+激光雷达/视觉里程计)和多程对准。先说一下各部分的难点:

图像语义信息的提取。图像的语义信息包括车道线、杆状物体、标志、地面交通信号等。在高速场景下，物体遮挡少，物体检测准确率可达95%以上。在城市道路中，由于树木的遮挡(标志和杆状物体的遮挡)和车辆的遮挡(车道线和地面交通信号的遮挡)，目前很难实现90%以上的检测。

点云语义信息提取。点云对于特殊材质(比如车道线)的反射率很高，基本上二分法可以解决很多问题。对于高速场景，车道线磨损不严重，语义信息容易提取。城市道路车道磨损严重，旧车道线干扰，难以提取90%以上的语义信息。

LIO。高精度采集车一般配备激光雷达、相机、imu、dmi、RTK，单向轨迹可采用多传感器融合。对于高速场景，建筑物遮挡较少，RTK信号较好，工后RTK精度可小于30cm(山区、隧道场景除外)，自动化难度较大，与场景有关。

多遍融合它主要靠人眼分辨点云是否对齐。当然可以建立小规模的数据集进行评估，自动化率很低。

总的来说，目前很难实现高精度地图的自动化生产。主要原因是场景复杂，角点情况太多，绝对精度和相对精度难以满足要求。

综上所述，激光SLAM的直接法目前比较简单，可以用于激光里程计的多程对准或环路检测。目前工业界很少使用纯LO算法，一般采用多传感器融合的方案。毕竟用的是激光雷达，对于IMU这种传感器来说还不错。多传感器融合方案主要用于制作高精度地图。在自动驾驶领域，一般使用高精地图作为先验来定位，不会同时定位和地图。基于网格的可用于移动机器人。在室内环境中，网格假设大多是有效的。在室外场景中，NDT地图一般用来存储地图。基于语义信息和宁滨，人们对它了解不多，在工业界用的也不多。