随着自主移动机器人的发展,自主导航技术成为机器人领域的研究热点。为了真正实现移动机器人的自主导航,移动机器人在未知环境下的即时构图与定位(SLAM)成为解决问题的关键。论文首先阐述了SLAM算法的研究背景、研究意义及发展历程。通过Matlab仿真实验对SLAM算法的两种经典方法:基于扩展卡尔曼滤波和基于粒子滤波的SLAM算法进行分析比较。其次,采用基于强跟踪无迹卡尔曼滤波的SLAM算法(STUFast SLAM),改善Fast SLAM算法的线性化累积误差问题。以强跟踪无迹卡尔曼滤波替代扩展卡尔曼滤波来估计粒子的后验概率密度函数,提高了粒子的采样精度和鲁棒性,仿真实验表明了算法的有效性。然后,在STUFast SLAM算法的基础上,针对粒子多样性缺失的问题,采用两种改进的Fast SLAM算法:基于差分进化的SLAM算法和基于优化组合重采样的SLAM算法。这两种算法都是基于重采样的改进,第一种算法采用差分进化算法替代重采样过程,减缓粒子耗尽的趋势,提高算法的鲁棒性;第二种算法将重采样后的大权值粒子和小权值粒子进行一定的线性组合,获得一组新的粒子,使得小权值粒子的信息保留下来,增加了粒子的多样性。通过仿真实验和维多利亚公园数据实验验证了算法的有效性。最后,在QBot2实验平台上,将改进算法运用到移动机器人室内环境下SLAM实验中,进一步验证算法有效性。