根據所使用的技術，SLAM 算法分為三類：基于濾波器的 SLAM、圖形 SLAM 和基于深度學習 (DL) 的 SLAM。基于濾波器的 SLAM 將該問題視為狀態估計問題。狀態由機器人的姿態和地圖組成，由濾波器根據機器人探索過程中的測量值進行迭代更新。基于 DL 的 SLAM 通過用 DL 網絡替換整個端到端過程來解決問題。只有圖形 SLAM 中的子任務可以用 DL 網絡替代。然而，將此類算法歸類為圖形 SLAM 是合理的。圖形 SLAM 是目前較為先進的算法。基于端到端 DL 的 SLAM 最近確實取得了可喜的成果，但還不成熟，而基于濾波器的 SLAM 總體上比圖形 SLAM 的表現更差。因此，本文的討論僅限于圖形 SLAM。SLAM 算法可以根據主傳感器進一步分類，例如視覺 SLAM、激光雷達 (LiDAR) SLAM 等。慣性測量單元 (IMU) 或慣性導航系統 (INS) 通常與主傳感器一起使用，以提高姿態估計的準確度。