在未知环境下,移动机器人要实现自主探索,必须具备对环境的感知、理解和完成自身定位的能力,也就是所谓的同时定位与地图创建(SLAM)能力。移动机器人的同时定位与地图创建是当前移动机器人研究领域的热点,是实现移动机器人完全自主导航的关键。本文主要对未知静态环境下的移动机器人同时定位与地图创建进行研究,具体内容如下:首先,对移动机器人的定位和地图创建技术进行了综述,详细介绍了移动机器人的同时定位与地图创建实现方法,并指出解决SLAM问题的关键。其次,构建了一个SLAM系统框架,并对其各部分进行了详细的分析和设计,为后续的理论研究和实验设计提供了指导。再次,在所构建的框架下,对基于扩展卡尔曼滤波的SLAM方法(EKF-SLAM)进行了研究,给出了EKF-SLAM算法实现的详细过程,并进行了基于点特征的EKF-SLAM仿真,仿真实验证明了该框架的完整性和可实现性。针对EKF-SLAM算法需要对系统状态模型和观测模型线性化导致引入截断误差、每个采样周期都要计算Jacobian矩阵的缺点,研究了基于无迹卡尔曼滤波(UKF)的SLAM算法,并进行了对比实验,证明了UKF-SLAM算法的有效性。最后,针对移动机器人运动学模型建立过程中,忽略了地面状况、传感器精度等不确定性因素而导致数学模型不精确的问题,提出了基于EKF神经网络的模型误差补偿方法。该方法利用神经网络函数代替系统误差模型,通过运用EKF算法对权值和状态的增广向量进行不断的预测和更新,实现状态估计的同时完成了对神经网络的在线学习。通过基于EKF神经网络的运动学模型误差补偿的SLAM实验证明了该方法的动态补偿性能和鲁棒性能。