现今社会,移动机器人在娱乐、工业、军事、航空等各个领域中占据了越来越高的比重。人们对于移动机器人的研究也在不断的进行中。人工智能、机器学习、大数据处理等技术的研发创新更加快了移动机器人的发展速度。各行各业都有成熟的移动机器人设备,比如清洁机器人、太空机器人和工业机器人等。在移动机器人的技术研究中,关键是要解决定位导航、地图构建和路径规划,让移动机器人能够在未知环境中完成指定任务。提高移动机器人的运行精度和速度,以及处理突发状况越来越成为现阶段的研究重点。本文分析了移动机器人即时定位与地图构建技术(SLAM;Simultaneous localization and mapping)和面向机器人研发的 ROS操作系统(Robot Operating System)。通过研究移动机器人的数学模型,并且在ROS系统中构建移动机器人的物理学模型进行仿真研究。针对路径规划中的传统A*算法提出了基于人工势场的改进A*算法。为了提高SLAM算法的准确性和快速性,对于引入了扩展卡尔曼滤波的SLAM算法(EKF-SLAM)进行改进优化。通过对构建地图算法的分析研究,选用适宜于实验室环境下的算法进行建图,以此得到合适地图信息,接着在仿真环境中比较传统A*v算法和改进算法在路径规划上的不同。首先,本文通过对即时定位与地图构建问题进行分析研究,得出移动机器人在未知环境中需要构建更新地图,并且明确SLAM问题本身是一个概率估计问题。同时研究了本文将使用的ROS仿真平台,并且在ROS系统中设计构建了实验所要用的移动机器人模型,对算法验证起到了有效的平台保证作用。其次,针对路径规划中所使用的传统A*算法进行分析研究。由于A*算法规划出的最优路径在实际环境中可能会距离障碍物过近,从而产生碰撞,出现安全问题。本文对此给出了一种基于人工势场的改进A*算法,通过引入人工势场,让移动机器人在路径规划时候选择一条距离障碍物相对较远的次优安全路径。实验结果表明,基于人工势场的改进A*算法规划出的路径具有更安全的可操作性。再次,传统的扩展卡尔曼滤波SLAM(EKF-SLAM)算法具有精确度较低并且运算效率低等缺点。本文提出了基于Cholesky分解的改进自适应EKF-SLAM算法。对传统EKF-SLAM算法中的观测噪声和误差协方差矩阵进行优化改进。实验证明基于Cholesky分解的改进自适应EKF-SLAM算法具有更高的准确性和运算效率。最后分析了传统的地图构建算法中的Gmapping算法和Hector-SLAM算法。在ROS平台搭建基于实验室的仿真环境,分别使用这两个算法进行地图构建,并根据实验结果分析这两个算法的适用性。选用适用性高的算法作为本文的地图构建算法,得到构建好的地图信息,将本文所提出的基于人工势场的改进A*算法和传统A*算法进行路径规划对比。通过实验表明,基于人工势场的改进A*算法所规划的路径具有相对较高的安全性。