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

本文介绍了一种动态物体跟踪的方法，称为 DOT (Dynamic Object Tracking)，该方法结合了实例分割和多视角几何来生成动态物体的掩模，可以显著提高现有 SLAM 系统在高度动态环境下的鲁棒性和准确性。我们通过在三个公共数据集上对 ORB-SLAM 2 进行评估，结果表明我们的方法显著提高了 ORB-SLAM 2 的准确性和鲁棒性，特别是在高度动态的场景下。

Sep, 2020

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

DSP-SLAM 是一种面向对象的 SLAM 系统，通过语义实例分割检测物体并使用特定于类别的深度形状嵌入来估计其姿态和形状，从而实现丰富和准确的 3D 物体建图，能够在单目、双目或双目 + LiDAR 输入模式下以接近帧率的速度处理图像序列，并在 KITTI 轨迹数据集上显示其在姿态和形状重构方面的显著改善。

Aug, 2021

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

该研究提出一种使用动态车辆提供有限位姿约束信息的 6-DoF 逐帧 PnP-RANSAC 定位管道方法，可改善单图像 PnP 方法和其基准位姿过滤的记忆率，并在车辆移动被相对帧 - 帧位置约束的情况下触发计算未来位姿估计质量的方法。

Jun, 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