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特征、无模型、可识别动态物体的 SLAM 算法，使用了语义分割技术来估算场景中刚性运动物体的运动轨迹和速度，并能够生成静态和动态结构的地图。该算法在模拟、合成和实际数据集上均实现了良好的性能。

Feb, 2020

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

本文提出了一个新的实时 SLAM 流水线，使用 RGB-D SLAM 和 YOLO 实时物体检测来分割和去除动态场景，并构建静态场景 3D 模型。

Mar, 2023

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

提出了一种新的基于对象级八叉树的体积表示的多实例动态 RGB-D SLAM 系统，可以在动态环境中提供强大的相机跟踪性能，并同时连续估计场景中任意对象的几何、语义和运动属性。

Dec, 2018

本文介绍了一种方法，用于在静态和动态环境下单个图像的三维立方体物体检测和多视图对象 SLAM，并展示了两个部分如何互相改进，对单个图像物体检测，我们从 2D 边界框和消失点采样中生成高质量的 cuboid 提议，并根据与图像边缘的对齐性对提议进行进一步评分和选择。其次，提出了新的对象测量的多视图束调整，以联合优化相机，对象和点的姿态。对象可以提供长程几何和尺度约束，以改善相机姿态估计并减少单眼漂移。而不是将动态区域视为异常值，我们利用对象表示和运动模型约束来改善相机姿态估计。在 SUN RGBD 和 KITTI 上进行的 3D 检测实验证明了与现有方法相比更高的准确性和鲁棒性。在公共 TUM，KITTI 测距和我们自己收集的数据集上，我们的 SLAM 方法实现了最先进的单眼相机姿态估计，同时提高了 3D 对象检测的准确性。

Jun, 2018

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