现有的 VSLAM 算法大多为了分析方便而采用了很强的场景刚性假设，忽略了真实环境中独立运动物体对 SLAM 系统精度的影响。Wang等【7】提出一种基于RGB-D SLAM的室内动态场景的运动目标检测算法，该算法采用数学建模和几何约束作为SLAM的数据处理过程，从而实现对运动目标的检测。
Yang等【2】提出了基于网格的几何约束VSLAM算法，这是一种针对动态室内环境的VSLAM算法。该算法在牛津数据集和公共TUM RGB-D数据集上有效提高了ORB-SLAM2在高动态场景下的定位精度；
目前大多数可视化的同步定位与映射(SLAM)算法都是基于静态环境而设计的，它们在动态环境中的鲁棒性和准确性表现不佳。Zhao等【3】提出了一种新的基于动态环境的语义视觉-惯性SLAM系统，该系统建立在VINS-Mono的基础上，利用语义分割的像素级结果进行实时轨迹估计。该算法采用ADVIO数据集，在室内和室外场景中都取得了较好的效果。Li等【6】提出了一种面向低纹理场景和高动态环境的语义辅助视觉惯性里程计(VIO)系统。该系统采用训练好的U-Net模型来检测移动的物体，然后消除动态物体区域中的所有特征点，从而避免移动物体参与姿态求解过程，提高在动态环境中的鲁棒性。
Zhao等人【1】提出了光流结合MASK-RCNN SLAM，一种用于动态室内环境中语义映射的视觉SLAM。它首先使用Mask-RCNN网络来检测潜在的运动物体从而生成动态物体的掩膜，采用光流检测动态特征点，然后结合光流方法和 MASK-RCNN 进行全动态点的剔除，SLAM 系统能够在没有这些动态点的情况下进行跟踪。最后，将从MASK-RCNN中获得的语义标签映射到点云中，生成一个只包含场景的静态部分及其语义信息的三维语义映射。其在公共数据集TUM数据集上取得了更加准确的定位效果。
依赖环境的静态表示限制了映射方法在大多数现实世界任务中的使用。现实世界的环境是动态的，并且会发生变化，需要通过适应性映射来处理。 clara等【4】提出了一种基于对象的位姿图来解决移动机器人在室内动态环境中的映射问题。提出一种新的方法来捕获不同物体随时间变化的概率。对象概率表示在之前的位置找到特定对象的可能性，并给出了特定对象的可移动程度的量化。此外，根据对象类别对对象概率进行分组从而评估不同对象类别的可移动性。根据可移动性的对象分类结果对比二值分类有更好的改进。Antoni等【5】提出了一个基于多层一体化的模型来重现动态场景图。模型中利用五个层级来表现动态场景图，分别为：建筑物层，房间层，位置和结构层，对象和智能体层，度量语义层。从而实现协调视觉-惯性SLAM和密集人体网格跟踪。
reference
【1】Zhao X, Zuo T, Hu X. OFM-SLAM: A Visual Semantic SLAM for Dynamic Indoor Environments[J]. Mathematical Problems in Engineering, 2021, 2021.
【2】Yang S, Fan G, Bai L, et al. MGC-VSLAM: A meshing-based and geometric constraint VSLAM for dynamic indoor environments[J]. IEEE Access, 2020, 8: 81007-81021.
【3】Zhao X, Wang C, Ang M H. Real-Time visual-inertial localization using semantic segmentation towards dynamic environments[J]. IEEE Access, 2020, 8: 155047-155059.
【4】Gomez C, Hernandez A C, Derner E, et al. Object-based pose graph for dynamic indoor environments[J]. IEEE Robotics and Automation Letters, 2020, 5(4): 5401-5408.
【5】Rosinol A, Gupta A, Abate M, et al. 3D dynamic scene graphs: Actionable spatial perception with places, objects, and humans[J]. arXiv preprint arXiv:2002.06289, 2020.
【6】Li C, Kang Z, Yang J, et al. Research on Semantic-Assisted Slam in Complex Dynamic Indoor Environment[J]. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, 43: 353-359.
【7】Wang R, Wan W, Wang Y, et al. A new RGB-D SLAM method with moving object detection for dynamic indoor scenes[J]. Remote Sensing, 2019, 11(10): 1143.
