传统的移动机器人定位技术如GPS（Global Position System,GPS）全球定位系统等必须依赖于外部设备才能获得目标的位置,而且该定位方式受限于机器人的定位场景,比如移动机器人运行过程中存在隧道、地下环境或树木遮挡的道路环境,GPS定位结果将会存在严重误差以致难以适应上述场景[1-3]。然而机器人的研究逐渐朝着自主规划路径,自主移动的智能化方向发展,因此未来的机器人移动必然涉及多种场景的定位。传统的高成本的定位方式无法满足移动机器人的发展需要。同时定位与建图（Simultaneous Localization and Mapping,SLAM）技术作为新兴的研究方向通过机器人移动平台搭载的传感器感知环境信息,并利用机器人位姿和地图之间的耦合关系降低地图的误差从而避免传统定位方式存在的弊端。激光传感器的鲁棒性和探知环境信息的准确性使其成为移动机器人实现高精度感知外界环境和准确定位的首选传感器。本文基于Velodyne激光传感器针对SLAM建图问题进行了如下探索。针对激光雷达传感器感知外界环境产生的噪声数据对创建地图准确性的干扰问题,从数据预处理和点云配准两个层面给予解决。首先,本文采用基于统计学的点云滤波算法剔除异常数据,降低‘尖峰’噪声对地图准确性的影响。除此之外,数据预处理同时具备转换数据格式,自定义数据稀疏化以满足地图创建实时性的要求。其次,点云的匹配阶段通过正态分布转换（Normal Distributions Transform,NDT）算法平滑处理局部点云数据,从而解决传感器采集外界环境数据时受未知因素造成的局部数据丢失或者数据异常的问题。针对同时定位与建图过程中数据帧匹配速率、点云数据配准强耦合性造成的鲁棒性低的问题,提出了‘倒树型’点云处理顺序与NDT算法相结合的点云配准方式。通过改变相邻数据帧的匹配顺序避免点云数据因顺序配准产生的累积误差造成的建图系统稳定性低的问题。该方式同时具有多线程调用NDT配准算法,提高数据处理速度的优势。针对移动机器人室外环境大范围创建地图过程中位姿累积产生的定位误差、闭环场景地图准确性难以保障的问题,提出了基于欧式空间距离阈值的闭环识别方案。通过具有全局优化功能的Graph-based同时定位与建图思想,以移动机器人不同时刻的位姿估计作为节点,各位姿之间的协方差作为边的约束条件构建图结构。图优化在不断的迭代优化过程中检测是否存在闭环,同时将累计误差分散到不同的节点,从而降低建图过程中的整体误差,实现全局一致的地图。针对以上的问题和提出的解决方案,本文以东北大学智能工厂实验室为基础,校园环境作为实验场景对同时定位与建图过程中存在的问题进行了广泛而深入的试验和验证。