（1）通过卫星网络提供全球范围的定位能力，可在任意时间和地点实现连续导航和定位。

（2）不需要测站之间的通视，且系统高度自动化，仪器操作简单，适合广泛场景的快速部署。

（1）受环境限制与信号干扰影响较大。

（2）易受人为恶意干扰和攻击（如信号干扰、信号欺骗和重播攻击等）。

（3）高程测量精度相对较低，对于某些工程应用，需要借助传统水准测量仪器进行校正。

（1）依赖低成本的视觉传感器（如单目或双目摄像头），相较于激光雷达等传感器，硬件成本更低。

（2）在没有明显回环的长距离飞行中，VO可以提供较为准确的局部位姿估计。

（3）专注于轨迹的局部一致性，通过相邻帧间的匹配计算位姿，避免了对全局地图一致性的复杂处理。

（1）基于相邻帧的递归估计，其误差会逐帧累积，导致随着运行时间增长而出现显著的漂移现象。

（2）光照条件、纹理稀疏或动态环境可能显著影响特征提取与匹配的效果，进而降低精度和稳定性。

（3）无法识别并校正重复访问的场景（没有回环检测能力），因此难以在全局范围内优化路径和减少漂移。

（4）需要连续帧的图像输入来估计运动，难以应对无序图像数据或关键帧丢失的情况。

（1）通过回环检测和全局优化能够显著减少漂移，确保轨迹和地图的全局一致性。

（2）不仅估计位姿，还构建环境地图，提升整体的精度与鲁棒性，尤其在复杂环境中表现尤为突出。

（3）可以适应多种环境（如室内、室外、动态或静态场景），因其可以综合多种传感器数据。

（1）涉及地图构建和全局优化，计算资源消耗大，尤其在大规模环境中对硬件性能要求较高。

（2）某些SLAM系统需要昂贵的高精度传感器，增加了部署成本。

（3）对传感器的依赖性较强，如惯性导航（INS）和视觉信息的融合不足时，可能导致地图或位姿估计不准确。

（4）在处理复杂环境的回环检测时，误检测的离群点可能严重影响全局地图的质量和一致性。

（1）基于度量学习的技术，使用CNN或ViT生成全局嵌入，能够在高维空间中有效区分相似和不相似图像。

（2）度量学习方法目前是状态最先进的解决方案，为跨域图像检索提供了高效且准确的实现方式。

（3）采用轻量化的特征计算方式，非常适合资源有限的嵌入式平台，如无人机设备。

（1）对于卫星图像和无人机图像受到遮挡、光照变化或图像噪声的影响较大。

（2）全局描述符由于压缩了图像的整体信息，可能忽略局部细节，全局特征难以捕获细微差别，影响匹配精度。

（1）通过多尺度、高分辨率的特征提取，能够捕获细节和复杂结构，实现高精度的点对齐，从而提高定位的准确性。

（2）有效平衡了计算复杂性和匹配精度，同时避免了直接高分辨率计算带来的资源消耗问题。

（3）基于深度学习的稠密特征图，不依赖传统特征点检测器，而是直接生成像素级的匹配向量，适应更复杂的场景和多样化的图像特征。

（1）处理高分辨率、多尺度的特征图，计算资源需求较大，尤其在嵌入式平台或实时应用中可能受到限制。

（2）匹配效果很大程度上依赖于深度学习模型生成的特征图质量，模型的不足可能导致匹配误差。

（3）在视角变化极大的场景下依然面临挑战，尤其是在无人机与卫星图像这种跨域配准中。

（1）利用全局特征进行初始检索缩小搜索空间，然后通过精细匹配实现像素级对齐，在大规模数据集中实现高效、准确的定位。

（2）将全局图像描述符和稠密特征图结合，既能处理卫星数据库的大范围搜索需求，又能满足无人机精确定位的细节匹配需求，实现两者优势互补。

（1）当前混合精度匹配方法仍处于发展阶段，需要更多研究和技术贡献来提升其方法论的成熟度和实际应用的广泛性。

（2）但两阶段流程可能对计算资源提出更高要求，尤其是处理超大规模卫星数据库时。

（3）在实践中，实现全局检索和局部精确匹配的高效协同可能面临挑战，尤其是当处理复杂场景时，不同阶段之间的误差传播会影响最终定位效果。