近年来,随着机器人技术的飞速发展,机器人正代替人类走向越来越多的工作场合。在机器人具备的众多能力里面,自主性是其中极其重要的一个。具有自主能力的移动机器人可以在无人指导的情况下,在未知的环境中独立完成事先给定的任务。机器人自主性的一个前提就是必须知道“我在哪”和“周围环境是什么”,也就是定位与地图创建能力。机器人只有在具备定位和地图创建能力的情况下才能实现其它更高层的智能性算法。　　 本文的研究工作主要源于国家“863”高技术计划重点项目子课题“废墟洞穴搜救机器人研制”。以灾难救援为背景,研究机器人在大尺度复杂未知环境、没有全局位置信号(如GPS等)的情况下,利用其搭载的传感器给自身定位并创建周围环境地图的问题,为将来研制废墟内部自主式搜救机器人做理论预研。论文围绕机器人在复杂未知环境中的定位与地图创建问题,系统地研究了SLAM领域里的不确定性信息处理、复杂地图创建、数据关联和大尺度环境下的实时性技术。具体研究内容如下:　　 1)EKF-SLAM的一致性问题。传统的基于特征地图的SLAM算法在长时间运行之后,由机器人位姿与地图组成的状态并不收敛。即使在最简单的仿真环境下,状态估计也会出现不一致性现象。关于这个问题,目前学术界还没有有效的解决办法。本文分析了这种现象产生的原因,从卡尔曼滤波器所优化的目标函数出发,提出利用相同线性展开点,对相同物理量在不同时刻的观测模型采用相同的线性拟合形式,改进了EKF-SLAM的更新过程,从而提高了它的一致性性能。该方法可以用于基于特征地图的EKF-SLAM、混合式地图创建等一类算法中用于融合不确定性信息,提高它们的方差一致性。　　 2)同步定位与采样环境地图创建。针对复杂未知环境下移动机器人的定位与,地图创建问题,本文提出了同步定位与采样环境地图创建(SLASEM)算法。相对于已有的复杂环境下的SLAM算法间接地创建复杂环境地图、并且只能得到状态的次优估计,SLASEM能够在滤波器的一个更新步骤中给机器人定位并创建描述复杂环境的地图,这使SLASEM能够得到概率意义上的最优估计,其所得到的机器人位姿估计与地图更精确。这部分的研究分为采样环境地图的更新与维护、复杂环境中的数据关联以及大尺度环境下的实时性技术:　　 a)采样环境地图的更新与维护。针对采样环境地图更新、冗余粒子约简以及地图拓扑结构奇异等一系列关键性的科学问题,分别提出了基于代数距离和符号正交距离的观测模型、基于几何约束的冗余粒子约简算法,以及拐角约束算法,有效地创建并维护了地图。　　 b)复杂环境中的数据关联。针对采样环境地图与实际环境之间不具备一一对应性、已有的数据关联算法都不再适用的问题,提出利用点集合之间的广义距离函数来衡量测量值和预测地图中物体之间的相似性,基于此距离函数提出了能适用于SLASEM的数据关联算法。针对多重数据关联问题,提出利用复杂环境结构信息的改进数据关联算法。　　 c)大尺度环境下的实时性技术。针对大尺度复杂环境下的SLAM问题,将分治法引入到SLASEM中,提出了基于分治法的SLASEM算法。该方法能使机器人在大尺度的环境中实时地定位,并创建复杂地图。针对其中的局部地图融合这一关键性的问题,提出了角点约束更新、基于符号正交距离的更新和粒子约简算法。