지난 수 십년동안, 이동로봇의 가장 핵심적인 문제중의 하나인 자기위치 인식 및 지도작성 문제(SLAM)를 해결하기 위해 많은 선행연구자들의 노력이 있었다. 예컨대, 확장 칼만필터 SLAM, 언센티트 칼만필터 SLAM, RBPF SLAM, FastSLAM을 들 수 있다.
FastSLAM이 이론적으로 가장 최선의 해답이라는 것이 알려져 있지만, 이 역시 아직 일관성 유지의 문제를 내재하고 있다. 왜냐하면, 입자필터 기반의 방법론에서는 더욱 중요한 입자의 재 선택 과정이 있기 대문이다. 반면에 칼만필터 계열의 방법론의 가장 큰 문제점은 확장성인데, 특징점의 증가량의 자승에 비례하는 속도로 공분산 행렬이 증가하기 때문이다.
그러므로, 성공적인 SLAM을 위해서는 일관성의 유지와 확장성을 보장하는 것이 매우 중요한 요소인 것을 알 수 있다. 본 논문에서는 정해진 개수의 특징점을 가지는 지역지도로 나누어 확장성 문제를 해결하고자 하며, 누적되는 오차를 줄이기 위해 언센티드 병합 기법을 도입하였다. 이 기법은 지역 지도가 공유하는 특징점을 이용하는 방법이다. 게다가, 이 기법은 강인한 시각기반 SLAM을 위해 언센티드 칼만 필터에 통합되었다.
실험에서는 여러 환경에서 시각기반 SLAM을 적용하였다. 이러한 실험들은 제안한 방법이 비교적 큰 영역에서 수 만개의 특징점을 관리함과 동시에 일관성 있는 자기위치인식과 지도작성을 할 수 있음을 입증한다.