基于激光雷达的主动同步定位与建图（Active Simultaneous Localization and Mapping,Active SLAM）包含激光SLAM和探索两部分。其中激光SLAM是主动SLAM中不可或缺的部分,目前大多数激光SLAM在面对结构化场景中的极端场景时,提取的几何特征过于稀疏,无法进行有效的点云配准。鉴于此,本文提出了一种改进的激光SLAM算法E-LOAM（LiDAR Odometry and Mapping with Expanded Local Structural Information）并融合主流的探索策略实现了高效鲁棒的主动SLAM。主流激光SLAM算法通常提取几何特征点执行基于特征的配准。本文认为,在具有挑战性的结构化场景中,几何特征不足以保障高精度的点云配准。因此,本文在几何特征的基础上,额外地利用激光雷达的反射强度信息,提取反射强度变化大的点作为附加特征,丰富了特征数量。此外,本文还对特征点周围进行了局部结构扩展,通过正态分布函数对局部结构进行拟合,并实现了基于分布的配准方式。通过两种方式的扩展,使得E-LOAM在结构化场景中实现了高精度的位姿估计。并且本文使用公开数据集KITTI和真实机器人平台,对E-LOAM和其他主流SLAM算法进行了实验对比,结果显示了E-LOAM算法的有效性。最后本文将E-LOAM算法与主流探索策略TARE结合,实现了高效鲁棒的主动SLAM算法。E-LOAM提供实时高精度的位姿估计,配合TARE探索策略实现低功耗高效率的探索任务,两者融合的主动SLAM算法实现了在结构化场景下的高效探索。并且,通过仿真系统和真实机器人平台,从探索效率、覆盖率和功耗三个方面进行了实验分析,结果表明,融合后的主动SLAM算法具备高效鲁棒的探索能力。