无论是军事还是工程上应用的自主水下机器人(Autonomous Underwater Vehicle ,AUV),导航技术都是必不可少的。高精度的导航和定位信息对其安全航行和高效完成任务具有决定作用。由于水下环境及其复杂,可使用的外部传感器仅限于声纳,且获得的观测信息噪声大,干扰多,这就对误差的处理提出了很高的要求。同步定位与构图(simultaneous localization and mapping ,SLAM)算法不需要先验的水下环境信息图的辅助,当机器人在水下运动时,利用自身携带的声纳等外部传感器感知环境,提取环境中的有用信息,利用这些信息进行自身定位,与此同时,在线的构建水下环境地图。随着AUV在民用和军事领域应用的不断发展,促进了SLAM算法在水下导航定位方面的应用研究。由于大多数的实际导航系统都是非线性的,针对这种实际情况,本文讨论基于扩展卡尔曼滤波器(Extended Kalman Filter, EKF)的水下SLAM算法的执行过程。SLAM方法在小环境中的应用非常重要,EKF算法可以鲁棒地和有效地处理尺度有限环境中的SLAM问题。如果探测环境尺度增大,基于EKF的SLAM方法有一个人非常重要的局限:由于线性化误差,随着环境尺度的增大估计很快变得不一致。本文重点阐述了基于EKF的SLAM算法的原理,描述了一致性问题并指出EKF算法如何导致估计的不一致。为克服这一问题,本文将一种基于EKF的以机器人为坐标参考的特征地图构建法应用于开放的AUV系统,将前一时刻机器人的位姿与当前机器人的运动的合成延迟到特征地图和当前机器人的运动被新的观测量更新之后进行,这样会有一个更好的线性化结果。并且当前观测到的特征值的不确定只是传感器的噪声带来的。仿真试验结果表明,算法可以提高系统的定位精度,改进算法的一致性,同时也验证了该算法在AUV应用上的可行性。