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

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

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

提出了一种名为 NID-SLAM 的方法，通过增强语义掩膜中的不准确区域和选择关键帧来提高神经 SLAM 在动态环境中的性能。在动态环境中，该方法通过准确删除动态物体来降低相机漂移的概率，从而在跟踪准确性和建图质量方面优于其他竞争性神经 SLAM 方法。

Jan, 2024

本论文将最新的深度学习方法与基于视频流的半稠密 SLAM 相结合，在室内 / 室外数据集中得到了更好的 2D 语义标签识别，无需针对序列中的每一帧获得语义分割，其时间复杂度也得以合理控制。

Nov, 2016

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

本文提出了一种使用 RGBD sensing 的增量学习方法来进行开放式世界的语义分割，使用三维地图表示方法来标记没有语义标签的区域，实现对新的物体类别的识别及聚类。通过实验验证，该方法能够正确聚类已知和未知类别的对象，并且比现有的监督式方法具有更快的处理时间及更高的性能。

Jul, 2019

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