机器人技术不断普及与发展的今天,机器人的同步定位与地图构建(SLAM,Simultaneous Location and Mapping)技术也面临着需要解决越来越多问题的挑战。比如,在较大场景的室内环境中,如何保证机器人SLAM系统处理海量数据的实时性与精确性等。本文针对大范围室内场景移动机器人SLAM技术展开了研究,对各个部分的算法可行性均做了实验验证,最后对整个SLAM系统算法在机器人平台进行了实际场景的实验,结果能够高效精确地建立环境地图。本文的主要研究内容包括以下几个部分:首先,本文详细阐述了机器人SLAM系统的数学模型,并以此作为理论支撑,建立了以激光雷达为传感器的观测模型,以机器人里程计为核心的运动模型。对于观测模型,由于在运动的过程中会产生一定的运动畸变,因此需要对其进行畸变矫正。而对于里程计运动模型得到的数据会有一定的噪声,所以需要对其进行标定实验。通过前期这样对数据的预处理,为后续算法的研究打下基础。其次,本文对大场景下的激光SLAM的各个模块进行了详细深入的研究。在较大的场景中,由于前端对数据处理的精准性和实时性会直接影响到整个系统的性能,因此本文在建立空间似然域模型的基础上,采用基于CSM的匹配算法来对机器人位姿进行初步估计,并在保证匹配算法准确性的情况下,将分枝定界算法应用其中,之后提出使用一种自适应确定搜索范围的方法,对搜索范围的设定上加以改进,大大提高了算法的搜索速率。再次,针对不断增大的累积误差,本文采用环路闭合检测算法,加入对机器人位姿估计的额外约束,并且在检测闭环阶段再次采用分枝定界法进行加速匹配。之后,对机器人一系列位姿构建图模型,基于g2o库,采用非线性优化的方法对位姿图进行图优化实验。实验采用了Intel和Killian这两个数据集,验证优化算法的可行性。最后,为了验证整体SLAM算法的性能,本章通过实际的机器人实验平台turtlebot2,搭载激光雷达,在实验教学楼进行了实验,建立了实验楼层的栅格地图,并将本算法与主流机器人激光SLAM算法Gmapping进行了对比,整个实验结果表明本文算法在系统实时性,准确性等方面都能够适用于较大范围的室内场景。