本研究提出了一种易于扩展的统一基准评估框架，用于评估地图中动态点的去除技术，并包括重构的最先进方法和新颖的度量来分析这些方法的局限性。

Jul, 2023

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

本文提供了一种新的方法，通过 Boundary Prediction Module（BPM）和 Boundary-aware Geometric Encoding Module（GEM）对二维和三维图像分割，对边界信息进行处理，在局部区域中对信息进行编码，从而避免相同类别的局部特征互相污染，并且引入了 light-weight Geometric Convolution Operation (GCO) 来提供更多几何信息，实验证明其性能达到了最先进水平。

Jan, 2021

通过 3D 高斯建模，使用自监督离线地图构建方法实现了基于相机的环境建模和 2D 目标分割，利用多次遍历的自我监督学习对环境和目标进行分解，通过特征提取、特征残差挖掘和鲁棒优化实现 3D 建图和 2D 分割，验证了该方法在无人驾驶和机器人技术方面的有效性和潜力。

May, 2024

本文研究了使用内存模块进行环境表示的方法，其中包括利用卷积神经网络提取点嵌入并将其刚性对齐，从而提高智能体的自主能力和准确性。

Jul, 2019

通过符号回归自动发现 LBP 公式，进而通过场景分割将一个场景划分为背景和前景，实验证明所提方法发现的 LBPs 在质量和数量上明显优于先前的最先进 LBP 描述符。

Aug, 2023

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

本文提出了一种同时定位与地图构建方法，能够在动态环境下消除移动物体的影响，该方法利用地图点之间的相关性将静态场景点与移动物体点分组，并依此进行运动估计，实验证明该方法能在动态环境下保证鲁棒和准确性。

Nov, 2018

提出了一种基于灵活的神经网络点云场景表示的高效 RGB-only 稠密 SLAM 系统，通过适应关键帧姿态和深度更新，优化了位姿和深度，并在回环检测、全局束调整等方面取得了较好或有竞争力的跟踪、建图和渲染准确性。

Mar, 2024

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