在移动机器人导航领域,未知环境下的同步定位与地图创建(SLAM)是研究的难点和热点。在SLAM问题中,机器人要在自身位置和环境地图信息都未知的前提下,递增地创建导航环境地图并同时用这一地图实现自身定位。对SLAM问题的解决具有着十分重要的理论和应用价值,是否具备同步定位与地图创建的能力被认为是移动机器人能否实现真正的自主性的关键。SLAM问题最基本的解决方法是基于扩展卡尔曼滤波(EKF)的估计算法,它能提供SLAM问题的最优解,但存在着计算复杂度过大(与环境特征成平方关系)的问题。这一问题限制了它在大范围环境下的应用。本文针对EKF-SLAM算法的计算复杂度问题,研究了一种基于信息滤波的改进算法,即稀疏扩展信息滤波(SEIF)算法,它是在EIF(EKF的信息形式)算法基础上通过稀疏化处理后得到的。本文对该算法的结构作了详细推导,并对算法模型进行了分析。算法分析表明,SEIF算法的计算复杂度是恒定的,而与环境特征的个数无关。这意味着基于SEIF的SLAM算法在环境特征很多的大范围环境下具有很高的应用价值。本文在基于SEIF的SLAM算法模型建立的基础上,对其进行了仿真和实验分析。仿真结果表明算法的估计是准确的,并没有因为稀疏化处理引入大的估计误差。从而验证了算法的有效性。通过利用Car Park真实实验数据进行的实验研究进一步验证了这一点。本文还将SEIF与EKF进行了仿真和实验比较,结果表明虽然SEIF的估计误差要比EKF稍大,但在计算时间和占用内存上SEIF要远远优于EKF。这也充分说明了SEIF算法在计算复杂度上较之于EKF的优越性。