在海底未知复杂环境中,绝大多数陆路环境下常用的传感器无法使用,比如光学的、无线的,在水中衰减得太快。在脱离了外部导航支持的情形下,AUV唯一可依赖的是自身机载的惯性传感器和主动声纳。前视声纳及其处理系统作为水下机器人的主要传感设备,担负着发现机器人前方目标,并对目标进行定位和识别的任务。前视声纳提供障碍物目标的距离和角度,可在二维空间上(XY平面)分辨目标的轮廓和位置。在AUV的前端装备声纳设备,通过声纳探测,可以提供连续重叠的图像帧,经过点特征提取可用于同时定位与地图创建(Simultaneous Localization and Mapping,SLAM)算法的实现。SLAM算法是机器人技术领域的研究热点,也是实现机器人真正自主的关键。SLAM算法不需要先验的海底环境信息图的辅助,当AUV在海底航行时,利用自身携带的Doppler Velocity Log(DVL)和MTi传感器测量底部跟踪速度、深度、加速度和姿态角,利用Super Seaking DST前视声纳扫描海底环境,提取环境中的有用信息,利用这些信息进行定位,与此同时,在线地构建海底环境的特征地图。本文阐述了SLAM算法的原理,对算法所得的环境地图的收敛性进行了讨论。针对AUV状态模型和观测模型的非线性,讨论了基于扩展卡尔曼滤波(EKF)的SLAM算法的执行过程。针对海底环境的特点,提出将声纳数据处理成点特征,既解决了海底环境特征不规则的问题,又克服了线特征在更新时计算量大的困难。为了提高定位精度,每获得一组传感器的测量值,就执行一次传感器数据更新,获得传感器数据的最优估计,并用最优估计值来预测AUV的位置。为了验证算法的可行性,进行了虚拟仿真和实际验证。结果表明,相对于纯粹的推位算法,SLAM算法可以提高系统的定位精度。同时也验证了算法在水下导航应用上的可行性。