随着计算机技术的飞速发展,智能机器人在人类的生活中扮演着越来越重要的角色,相关的研究成为了学者的热门研究方向。要体现机器人的智能之处,就需要其能像人一样,可以在任何未知环境中,自由的行走,要实现这一功能,SLAM是关键技术之一。SLAM(Simultaneously Localization and Mapping)的全称为即时定位与构图,通过传感器感知环境信息,结合SLAM算法实现在未知环境中的地图构建和移动机器人的定位。作为发展多年的算法,SLAM的研究热点从早期的使用测距传感器获取2D环境信息和基于概率模型计算的增量式地图,发展至用摄像头获取3D环境的丰富信息和基于优化的图结构地图,说明着该领域依然有很多值得改进和研究的地方。本课题针对在二维环境基于激光的图优化SLAM算法中,传统图优化算法和闭环检测方法存在的问题,作出分析与改进,并结合实验证明改进算法的有效性,主要工作内容如下:(1)分析SLAM算法在智能机器人中的重要性和应用现状,介绍SLAM算法的发展情况、国内外现状和算法相关基础知识。针对基于图优化的SLAM算法作深入研究与分析,以GraphSLAM为例阐述图优化SLAM算法原理和求解方式。(2)介绍目前主流的通用图优化(Graph Optimization)框架,推导并分析最优解的求解过程,针对求解公式中信息矩阵因数据累积导致复杂计算量的问题,提出构建关键帧的解决方法,用基于关键帧构建的全局图进行图优化,以减少信息矩阵的元素计算量;对图优化算法在SLAM系统中的应用框架作改进,提出以全局图为主导的图优化框架与SLAM系统结合使用,以提高优化算法的效果和速度,最终结合仿真实验说明改进算法的可行性。(3)基于CSM(Correlative Scan Matching)匹配算法做闭环检测,针对原算法匹配效率低下和存在误检的情况,提出用关键帧提高匹配准确率的改进方法。又因为关键帧的改进方法会降低算法的计算速度,于是在改进方法的基础上,本文再对闭环检测候选集的筛选方法做改进,确保准确率不降的前提下,提高匹配算法的检测速度。通过仿真实验与先进算法做比较,证明改进算法的有效性。(4)针对本文提出的改进算法,将其与实时的SLAM系统结合,在真实环境进行实验测试,通过与原算法对比分析,证明改进方法在时效性和构图效果上都有所提升。