Los Vehículos Aéreos No Tripulados (VANT) juegan un papel importante en diferentes aplicaciones, incluyendo vigilancia, mapeo y ayuda en desastres, particularmente en entornos urbanos. Este documento presenta un marco integral para la localización de VANT en entornos exteriores utilizando ORB-SLAM3 monocular integrado con flujo óptico y YOLOv5 para un rendimiento mejorado. El sistema propuesto aborda los desafíos de la localización precisa en entornos exteriores dinámicos donde los métodos GPS tradicionales pueden fallar. Al aprovechar las capacidades de ORB-SLAM3, el VANT puede mapear efectivamente su entorno mientras rastrea simultáneamente su posición utilizando información visual de una sola cámara. La integración de técnicas de flujo óptico permite una estimación de movimiento precisa entre fotogramas consecutivos, lo cual es crítico para mantener una localización precisa en medio de cambios dinámicos en el entorno. YOLOv5 es un modelo altamente eficiente utilizado para la detección de objetos en tiempo real, lo que permite al sistema identificar y clasificar objetos dinámicos dentro del campo de visión del VANT. Este enfoque dual de utilizar tanto flujo óptico como aprendizaje profundo mejora la robustez del proceso de localización al filtrar características dinámicas que podrían causar errores de mapeo. Los resultados experimentales muestran que la combinación de ORB-SLAM3 monocular, flujo óptico y YOLOv5 mejora significativamente la precisión de localización y reduce los errores de trayectoria en comparación con los métodos tradicionales. En términos de error absoluto de trayectoria y tiempo promedio de seguimiento, el enfoque sugerido tiene un mejor rendimiento que ORB-SLAM3 y DynaSLAM. Para aplicaciones de SLAM en tiempo real en situaciones dinámicas, nuestra técnica es especialmente adecuada debido a su potencial para lograr menor latencia y mayor precisión. Estas mejoras garantizan un rendimiento más confiable en una variedad de escenarios además de aumentar la eficiencia general. El marco distingue efectivamente entre elementos estáticos y dinámicos, lo que permite una construcción de mapas y navegación más confiables. Los resultados muestran que nuestro método propuesto (U-SLAM) produce una disminución considerable de hasta el 43.47% en APE y 26.47% en RPE en S000, y su precisión es mayor para secuencias con objetos en movimiento y más movimiento dentro de la imagen.