在未知环境下，移动机器人的探索能力是机器人得以开展应用的重要前提条件。移动机器人同时定位与建图研究则在这个方面上发挥着重要作用。在实际应用中对于非线性系统的处理，粒子滤波具有不可替代的优势，粒子滤波通过样本采样的方法对非线性系统进行估计，在非参数估计方法中发挥重要作用。将粒子滤波算法应用移动机器人同时定位与建图，已经取得了很多成功应用实例。　　 基于粒子滤波在移动机器人同时定位与建图中的算法，本文对粒子滤波的同时定位与建图算法的优化和改进工作包括：　　 1.FastSLAM方法中地图特征估计采用EKF方法，该方法存在准确性低和计算复杂性高的缺点，目前已有大量研究尝试使用UKF替换其中EKF进行地图特征的更新，但是在粒子滤波部分的采样过程，依照重要性分布采样时仍然需要计算雅克比行列式进行线性化，仍然存在信息损失。针对需要计算雅克比矩阵的情况，本文采用UT变换解决简单线性化带来的问题。　　 2．粒子滤波的达代过程中，需要对粒子集进行优化以避免粒子耗尽问题，保证粒子集的多样性。对此本文在引入UT变换改进地图观测与机器人采样的同时，借助遗传算法对粒子集进行优化。　　 3．现有的FastSLAM方法解决问题的思路是：通过问题分解使用粒子滤波估计机器人的位姿，结合其他方法估计地图特征。对于单独使用粒子滤波的同时定位与建图方法，现有的研究成果不多，在现有的研究方法中，本文着重从粒子集的优化方面进行改进。