同步定位与地图构建(SLAM)属于自主机器人导航的范畴,是自主机器人在未知环境中实现自主导航和完成复杂任务的关键,集中体现了机器人的感知能力和智能水平。SLAM问题的解决对自主机器人实现真正意义的“自主”有着十分重大的意义,并已成为近年来自主机器人领域中研究的热点。基于扩展卡尔曼滤波的同步定位与地图构建算法(EKF-SLAM)是机器人SLAM问题的基本算法,然而存在着运算复杂度大、不适合大地图复杂环境的问题。有鉴于此,本文在EKF-SLAM基础上,研究了一种基于稀疏扩展信息滤波的自主机器人同步定位与地图构建算法(SEIF-SLAM)。SEIF-SLAM通过对信息矩阵的稀疏化处理,忽略掉与当前机器人关联较弱的关联,使表征机器人位置及环境地图不确定性的状态协方差矩阵限制到一个较小的维数,从而使SEIF-SLAM运算复杂度得到有效降低。SEIF-SLAM的目标是设计一种可恒时更新的近似SLAM算法,该算法在预测和更新阶段均可实现恒时更新,但数据关联算法尚不具有恒时特点,成为限制其应用的主要障碍。为了解决数据关联问题,本文结合SEIF-SLAM的特点探索了四种可应用于SEIF-SLAM的数据关联算法:全局协方差、局部协方差、扩大搜索维度及混合型数据关联算法。数据关联时通过信息矩阵求逆获得所需协方差信息的方法称为全局协方差数据关联法。该算法是一种较为精确和使用广泛的算法,其缺点是计算复杂度较大。局部协方差数据关联算法引入了马尔科夫带的概念,对关联概率实施近似处理,使得数据关联过程中仅仅对维数较小的子矩阵进行操作。仿真实验表明,该算法在机器人运动轨迹形成闭合环路之前是有效的,且单位时间内能够保持运算量恒定,有效降低了运算复杂度。为了解决机器人运动轨迹形成闭合回路后的数据关联问题,提出了一种扩大搜索维度的数据关联算法。该算法在对关联概率近似处理的同时,在空间概念上扩大路标匹配的搜索范围,以保证形成闭合环路处的邻近路标都包含在该匹配范围之内,从而解决形成闭合环路时的数据关联问题。仿真实验表明,在形成闭合环路后该数据关联算法是有效的,但关键参数要凭借经验来选取。为了提高数据关联算法的通用性,在考虑全局协方差型、局部协方差型及扩大搜索维度数据关联算法的基础上,提出了混合型的数据关联算法。该算法除了在闭合回路处需要对协方差矩阵进行全局更新外,其他位置均用局部协方差进行关联匹配,保证数据正确关联的同时降低了运算复杂度。仿真实验表明,混合型算法稳定性高,通用性强,除闭合回路处外均可以恒时执行,计算量小,工程实用性强,在大地图复杂环境下有着较高的实用价值。