增强现实 (AR) 追踪方法需要在精度、计算成本和环境适应性之间取得平衡。常见的方法包括基于标记的追踪、无标记（基于 SLAM）的追踪以及基于传感器的追踪（例如，GPS、IMU）。每种方法在性能、设置复杂性和实际应用方面都有不同的权衡，因此适用于不同的用例。
基于标记的追踪依赖于预定义的视觉标记（例如，二维码）来锚定虚拟内容。它提供了高精度和低计算开销，因为系统只需要检测已知模式。然而，这种方法需要在环境中放置物理标记，限制了灵活性。例如，工业 AR 维护工具可能会在机器上使用标记进行精确对齐，但如果标记被遮挡或移除，系统就会失效。此外，基于标记的系统在照明或相机角度突然变化的动态环境中表现不佳，与其他方法相比鲁棒性较低。
无标记追踪（例如，SLAM - 同步定位与建图）使用相机和传感器实时映射环境，而无需预定义标记。这在非结构化环境中提供了更大的灵活性，例如通过 IKEA Place 等应用在房间中放置虚拟家具。然而，SLAM 需要大量的计算资源，特别是在移动设备上进行实时处理时，这可能会消耗电池或导致延迟。精度还取决于环境特征——纹理表面可以改善追踪，而空白墙壁或重复图案可能会导致漂移。例如，ARCore 和 ARKit 针对常见场景进行了优化，但在光线不足或缺乏特征的空间中仍然面临挑战。
基于传感器的追踪（例如，GPS、IMU）在户外或大规模 AR 应用中表现出色，例如《宝可梦 Go》，其中 GPS 将虚拟对象锚定到现实世界的位置。这种方法所需的场景准备最少，但牺牲了精度——GPS 精度通常限制在米级，不适用于需要毫米级对齐的应用。IMU（加速度计、陀螺仪）提供低延迟的姿态数据，但会随时间发生漂移，需要与其他传感器融合。例如，导航 AR 应用可能会结合 GPS 进行粗略定位，并结合基于相机的追踪进行精细调整，但这会增加系统复杂性和功耗。
开发者必须根据用例进行权衡：在受控环境中需要精度时选择基于标记的方法，在动态环境中选择无标记方法，或在牺牲精度以实现可扩展性时选择基于传感器的方法。混合方法（例如，将 SLAM 与 IMU 结合）可以减轻各自的缺点，但会增加集成复杂性。