随着科学技术的飞速发展,各行业自动化程度在逐渐提高。移动机器人领域涉及自动化、计算机技术、人工智能等诸多学科,所以移动机器人技术得到了空前的发展。几十年以来,移动机器人的定位和地图创建(SLAM)一直是机器人导航领域的热点问题,SLAM被认为是移动机器人真正实现自主化、智能化的重要前提和必备条件。基于扩展卡尔曼滤波(EKF)的SLAM方法和基于粒子滤波器的FastSLAM方法是当前比较流行的SLAM算法,它们已经广泛地用于移动机器人导航中。由于基于EKF的SLAM算法存在两个重要的缺陷,即过高的计算复杂度和对错误数据关联敏感而导致无法在大环境中运行。本文提出了基于Rao-Blackwellized粒子滤波器和Unscented卡尔曼滤波的Unscented FastSLAM方法,该算法对FastSLAM2.0算法进行了优化和改进,其一是将FastSLAM算法中一阶线性化处理部分采用了Unscented卡尔曼滤波方法处理,这使得在模型非线性程度很高的情况下大大提高了算法精度;其二是为减弱粒子滤波的粒子贫化现象本文采用了选择性重采样策略。大量的仿真和实验表明UnscentedFastSLAM算法较FastSLAM算法在精度有显著提高,尤其是当视觉传感器误差较大时,UnscentedFastSLAM算法的鲁棒性更强。