1.LIO-Livox : Lidar-Inertial Odometry, 使用了内置的 6 轴IMU， 目前只支持 horizon 雷达， 雷达数据结构只支持 livox_ros_driver/CustomMsg.https://github.com/Livox-SDK/LIO-Livox
2.Livox-mapping: 仅使用激光雷达的建图包， 同时支持了 Mid 系列和 horizon 系统的扫描方式， 但Horizon 数据结构还是必须为 livox_ros_driver/CustomMsg， Mid 系列的数据类型为 sensor_msgs::PointCloud2。https://github.com/Livox-SDK/livox_mapping
3.hku-mars/loam_livox: Lidar only 的建图包， 只支持 Mid 系列（sensor_msgs::PointCloud2） 格式的数据。 https://github.com/hku-mars/loam_livox
4.BALM ，使用了bundle adjustment 的仅使用激光的建图包， 同时支持三种， horizon 支持 livox_ros_driver/CustomMsg 格式，Mid 系列的数据类型为sensor_msgs::PointCloud2， 也提供了velodyne 激光的 sensor_msgs::PointCloud2格式。https://github.com/hku-mars/BALM
6.KIT-ISAS/LiLi-om: LINK LiDAR-Inertial Odometry, 但此处没有使用内置的IMU， 而是使用的的 9 轴 Xsens MTi-670 (200 Hz) IMU, Livox雷达内置的是一个 6 轴激光雷达， 支持Horizon 和 Velodyne 雷达 https://github.com/KIT-ISAS/lili-om
直接法, 直接法的典型代表是ICP和NDT系列，ICP可以直接计算出激光的位姿，多帧可以构成联合优化，这种方案比较简单但是比较有效，常用于激光雷达的多程对齐。
基于特征的匹配(LO)，该方案的典型代表是LOAM和后续的改进方案A-LOAM/F-LOAM,该方案通过寻找线面特征，并通过特征匹配来计算帧间的位姿，多个位姿可以做BA优化。
多传感器融合的方案。该方案的典型代表是LIO-Mapping,LINS和LIO-SAM.LIO-Mapping算法借鉴VINS-Mono的预积分和后端优化，前端视觉里程计改成激光里程计。
基于栅格的，该方案的代表是谷歌开源的cartography，这种方案在室内的机器人定位比较有优势。
基于面元，该方案的典型代表是suma。
基于语义信息，该方案的典型代表是segmap和suma++。