同时定位与建图技术(Simultaneous Localization and Mapping,SLAM)是实现移动机器人在未知环境下自主定位的关键技术,其核心思想是利用已经建立的地图对机器人进行定位,再根据新的定位信息增量式地建立环境地图。针对SLAM中存在的计算复杂度高、滤波方法无法处理大范围累积误差等问题,本文主要研究内容与成果如下:1.对相关性扫描匹配(Correlative Scan Matching,CSM)算法进行了改进。设计了一种基于局部搜索的改进CSM算法,并在此基础上以单线激光雷达作为输入传感器实现了室内环境SLAM系统。实验表明,该方法在室内环境下能够准确地对机器人运行环境进行建图,并比基于模板匹配CSM的Karto-SLAM方法具有更好的实时性。2.提出了一种基于高度值匹配的CSM算法。针对平坦室外环境中的定位与建图问题,将多线雷达点云数据作为输入,设计了包含高度值信息的平面栅格地图表示模型,并提出了一种基于高度值匹配的CSM算法用于解决输入数据与局部地图的匹配问题。通过校内离线数据实验,验证了该算法的有效性,并讨论数据丢帧对算法的影响。通过与GPS数据对比,对基于高度值匹配的CSM算法定位与建图结果的误差进行了讨论。3.针对SLAM中存在的误差累积问题,研究了后端优化方法在SLAM问题中的应用。通过位姿图优化(Pose Adjustment)方法和CSparse工具包的结合,实现了位姿图的稀疏化存储与自动优化,提高了建图的精度。