近年来,机器人已经迅速融入人们的日常生活。为了让机器人能够在未探测的室内空间中进行自主导航,就必须要提供一张精确的地图。但是目前机器人的建图依然依赖人为手动控制,导致在建图精度和时间成本都过大并且对操作人员的技术有要求,人们希望机器人能够在未知环境中按照自己的意愿自主地移动。因此,让机器人自主构建地图的同时提高地图构建的效率具有十分重要的意义。针对让机器人在未知环境中建图无法自主化且都局限在只能构建小场景的地图本文以未知环境下机器人自主建图算法为研究课题,重点研究了基于快速随机探索树RRT算法的自主探索原理以及两种不同的SLAM算法这两个大部分,针对这两个部分,本文进行了以下工作。在自主探索原理部分。主要研究了基础的快速随机探索树RRT算法的结构和原理,在此基础上,对RRT算法进行了改进,将其从路径规划算法迁移到边界探测领域,提出了多步探索策略,提出的策略主要包括三个部分。首先,我们用激光雷达数据构建一个初始的二维栅格地图,并使用局部RRT探测方法检测机器人周围的边界点,采用具有自适应步长的全局RRT探测在已构建地图的远端边界点。然后对边界点进行过滤和聚类,以减少总数和计算负荷。最后,通过机器人在自主探索过程中的信息增益、导航代价和机器人自身定位的精确程度3个要素构建了边界点评价函数,通过评价函数计算每个边界点的得分,在选择最高得分的边界点作为最佳边界点后,利用闭环控制引导机器人到最佳位置,直到地图构建完成。在SLAM建图方面,首先分析了市场上现有的两种主流的建图方式,基于粒子滤波和基于图优化的理论知识,并对各自典型算法Gmapping-SLAM和Cartographer-SLAM的定位和构图原理及其优缺点。最后,针对以上算法的有效性,在自主搭建了仿真实验环境中进行了验证,并在完成全部实验之后,对结果进行了分析。