VDO-SLAM 是一种稳健的视觉动态物体感知 SLAM 系统，利用语义信息实现对本体运动的准确估计和跟踪，能够精确估计机器人轨迹、物体的 SE（3）运动和空间时序地图。

May, 2020

本文提出了一种基于实时语义 RGB-D SLAM 算法的方法，其能够在动态环境中检测已知和未知的运动物体，并通过仅对关键帧进行语义分割来减少计算成本，并保持静态地图以实现强健的相机跟踪，同时提出了一种有效的几何模块来检测未知的移动物体。该算法在公共数据集和实际应用场景中进行了评估，最终实现了在低功耗嵌入式平台上实时运行并能在动态环境中提供高精度的定位与跟踪。

Apr, 2021

本文提出一种名为 DS-SLAM 的鲁棒的语义视觉 SLAM 方法，旨在解决动态环境下的 SLAM 问题，通过将语义分割网络与运动一致性检查方法相结合，提高了在动态环境下的本地化精度，同时生成了一个稠密的语义八叉树地图，可用于高级任务中。经过多组测试，DS-SLAM 的绝对轨迹精度比 ORB-SLAM2 提高了一个数量级，是当前高动态环境下最先进的 SLAM 系统之一。

Sep, 2018

3DS-SLAM 是一种针对动态场景的 3D 语义建图算法，通过 3D 物体检测和动态特征过滤等方法，解决了动态环境下相机定位的精度问题。与其他四个主流动态场景 SLAM 系统相比，3DS-SLAM 在 TUM RGB-D 数据集的动态序列上平均提高了 98.01% 的性能。

Oct, 2023

本文介绍了 DynaSLAM II，它是一种用于立体和 RGB-D 配置的视觉 SLAM 系统，紧密集成了多对象跟踪能力，并利用实例语义分割和 ORB 特征来跟踪动态对象，优化了静态场景和动态对象的结构，提供了丰富的场景理解线索，并有益于相机的跟踪。

Oct, 2020

本文在单目 SLAM 框架中嵌入了实时深度学习的目标检测器，将普通物体表示为四面体，进一步细化物体重建，检测附加平面标志并建模为独立地标志，可大幅提高系统的定位性能和语义地图的丰富程度。

Sep, 2018

本文提出一种实时基于物体的 SLAM 系统，利用至今最大的物体数据库，包括一个单目 SLAM 算法，该算法利用可变形物体约束来改善地图并找到其实际比例，和一种新颖的基于二进制词袋的物体识别算法，提供 500 个三维物体的实时检测。

Apr, 2015

本文提出了一种新颖的基于动态物体级别体积有符号距离函数表示法的 SLAM 方法，将多物体跟踪公式化为 RGB-D 图像与 SDF 表示法的直接对齐，通过概率方法进行数据关联和遮挡处理，实验结果表明该方法在鲁棒性和准确性方面优于现有的最优方法。

Apr, 2019

本文提出了 DynaSLAM，这是一种基于 ORB-SLAM2 的视觉 SLAM 系统，可以检测动态对象并背景填充，适用于单目，立体和 RGB-D 配置，并在公共数据集中证明了其在高度动态场景中优于标准视觉 SLAM 基线的准确性。

Jun, 2018

本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法，实现了对运动物体的有效滤波和语义信息约束下的扫描匹配，与现有基于几何约束的方法相比，实验结果表明其性能更优。

May, 2021