Цель работы – исследовать существующие решения задачи одновременной локализации и построения карты местности в условиях динамической среды, методики сегментации движений. Объектом исследования являются подходы различных алгоритмов к работе в условиях динамической среды. В ходе данной работы рассмотрены следующие алгоритмы: DynaSLAM, SPW RGB-D SLAM, GMC Motion Clustering, было предложено несколько вариантов классификации данных алгоритмов – по типу использования динамических объектов в процессе работы, а также по факту использования deep-learning решений для сегментации динамических объектов. В результате анализа решений, подходящих для борьбы с динамическими объектами, сделан выбор в пользу решений, использующих нейронные сети для семантической сегментации сцены. Разработана система динамического SLAM, приведено теоретическое описание алгоритма. Проведены эксперименты над разработанным алгоритмом, его сравнение с аналогами.

The aim of this work is to explore existing solutions for simultaneous localization and mapping (SLAM) in dynamic environments, as well as methodologies for motion segmentation. The research focuses on various approaches to working in dynamic environments employed by different algorithms.     The following algorithms were considered in this work: DynaSLAM, SPW RGB-D SLAM, and GMC Motion Clustering. Several classification options for these algorithms were proposed based on the type of dynamic object usage during operation, and the usage of deep learning solutions for dynamic object segmentation. After reviewing solutions suitable for dealing with dynamic objects, the choice was made in favor of solutions that use neural networks for semantic scene segmentation. The dynamic SLAM system was developed, and the theoretical algorithm description was provided. Experiments were conducted on the developed algorithm, and its comparison with analogs was demonstrated.