提出了一种基于 RGB-D 相机的实时动态障碍物跟踪和建图系统，该系统使用 “占用格子图” 生成动态障碍物区域，应用卡尔曼滤波和连续滤波来跟踪每个动态障碍物，并提出了一种基于 Markov 链的环境感知轨迹预测方法。实验结果表明，该方法可以在动态环境中实时成功跟踪和避免障碍物。

Sep, 2022

本文提出了一个针对地面移动机器人的可行驶区域和路面异常检测基准，评估了现有单模和数据融合语义分割 CNN 的性能，并提出了一个名为动态融合模块（DFM）的新模块来有效和高效地融合不同类型的视觉特征。实验结果表明，变换视差图是最具信息量的视觉特征，提出的 DFM-RTFNet 在 KITTI 路况基准上表现出色，并在公开数据集上可用。

Mar, 2021

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

提出了一种基于立体输入的视觉里程计法的稠密建图算法，该算法针对大规模动态城市环境中的高级移动机器人任务，同时重建静态背景、移动物体和潜在移动的静止物体。

May, 2019

本文提出了一种基于 RGB-D 传感器的方法，能够稳定地在包含多个动态元素的场景中进行地图绘制和定位，并在现有数据集上对其进行评估和发布。

May, 2019

Open-Fusion 是一种实时的、开放词汇的 3D 地图创建方法，利用 RGB-D 数据进行场景重建，并结合预训练的视觉 - 语言模型（VLFM）和 Truncated Signed Distance Function (TSDF) 技术，实现无需额外训练的开放词汇 3D 分割，同时提供实时的场景理解和目标语义。

Oct, 2023

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

在本研究中，提出了一种新颖的方法，用于在自我中心多机器人探索的背景下合并 3D 点云地图。与传统方法不同，该方法利用先进的地点识别和学习描述符来高效地检测地图之间的重叠，消除了耗时的全局特征提取和特征匹配过程。估计的重叠区域用于计算同一刚体变换，作为 GICP 点云配准算法的初始条件，进一步改善地图之间的对齐。该方法的优势包括更快的处理时间、提高的准确性和对挑战环境的增强鲁棒性。此外，通过多个机器人在各种不同地下环境中的实地任务成功证明了该框架的有效性。

Apr, 2024

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

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