机器人的应用正逐步从最初的工业应用向人们的日常生活应用转化,SLAM(simultaneous localization and mapping)问题是移动机器人应用普及化的过程中最为基本的一个问题,SLAM包括很多的研究方向,虽然SLAM问题已经有了很多成熟的算法,但是其还是在不断地发展中,SLAM问题的求解算法分为两大阵营——基于贝叶斯的滤波器方法和优化方法。在基于滤波器的算法中,首先出现的是卡尔曼滤波器算法(KF),为了解决其线性系统的局限性提出了扩展卡尔曼滤波器算法(EKF),随后又出现了粒子滤波算法(PF),适用于任何环境下的任何状态和测量模型,但是存在复杂度高的问题,Fast SLAM算法针对机器人的路径和地图进行求解,非常巧妙地解决了这一问题。基于贝叶斯的滤波器方法虽说基于成熟的理论,但在使用时也会局限于算法使用的模型,基于图优化的方法采用了全局优化处理的方法,用图模型进行建模,节点表示状态变量,边表示节点间的约束关系,利用传感器的观测信息来优化移动机器人的路径,在此基础上得到地图信息。本文在ROS平台上搭建了SLAM的环境,仿真环境使用的是Gazebo,解决SLAM问题所采用的核心算法是粒子滤波器(PF)算法。另外,针对具体情况使用到的算法包括用于机器人位姿修正的梯度下降的扫描匹配算法,以及用于绘制地图的基于频率的地图绘制算法。本文中的实验利用这些算法对SLAM过程进行了实现,核心部分包括SLAM算法部分和机器人运动控制部分,除此之外,本文实验中还利用视觉传感器的数据对移动距离和旋转角度进行估计,从而对里程计数据进行修正,改善传感器精度,通过实验数据的对比可知该方法在适用环境下是简单可行的。