Como todos sabemos, muchos objetos dinámicos aparecen casi continuamente en el mundo real y son enormemente capaces de afectar el rendimiento de la mayoría de los sistemas de SLAM basados en visión que asumen un mundo estático. Con el fin de mejorar la robustez y precisión del SLAM visual en entornos altamente dinámicos, se propuso un sistema de SLAM estéreo en tiempo real y robusto para escenas dinámicas. Para debilitar la influencia del contenido dinámico, se propuso un método de detección de objetos en movimiento en nuestra odometría visual, y luego se combinó una red de segmentación semántica en nuestro SLAM estéreo para extraer contornos a nivel de píxeles de objetos dinámicos. Luego, las influencias de los objetos dinámicos se debilitaron significativamente y el rendimiento de nuestro sistema aumentó notablemente en espacios urbanos dinámicos, complejos y concurridos. Tras experimentos con el conjunto de datos de Odometría KITTI y en una escena de la vida real, los resultados mostraron que nuestro método podría disminuir drásticamente el error de seguimiento o deriva, y mejorar la robustez y estabilidad de nuestro SLAM estéreo en escenarios dinámicos al aire libre.