移动机器人技术应用十分广泛,同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是移动机器人实现智能化的关键技术。常用的传统算法是基于贝叶斯滤波的SLAM,其在实际应用中存在估计精度不足的问题。在此背景下,本文以国家重点研发计划(SQ2018YFB16003105)为依托,研究基于卡尔曼滤波与粒子滤波的SLAM算法,并应用遗传算法、粒子群优化算法改进SLAM。通过理论推导、算法仿真与真实实验,为SLAM的研究与开发提供理论基础和工程经验。论文的主要内容包括:(1)首先介绍了SLAM的原理,分别建立了系统的运动模型与观测模型,基于贝叶斯滤波理论推导了概率SLAM的求解过程,并介绍了环境地图模型。其次介绍了扩展卡尔曼滤波与粒子滤波的基本原理,分析了EKF-SLAM算法与Fast SLAM算法的实现过程。在MATLAB中进行了仿真实验,结果表明,Fast SLAM由于采用蒙特卡洛采样,不受线性化误差的限制,其定位精度与地图准确性均高于EKF-SLAM。(2)针对Fast SLAM的粒子退化问题,提出了一种基于自适应遗传算法的重采样策略。首先设计了一种粒子分类策略,将粒子分为大权重粒子与小权重粒子。其次分别设计了选择算子、交叉算子与变异算子,利用大权重粒子来修正小权重粒子,从而提高粒子多样性。最后设计了一种按照粒子的权重自适应调整交叉程度与变异概率的方法。在MATLAB中进行了仿真实验,结果表明,将这种重采样方法应用到Fast SLAM中可以显著提高有效粒子数,改善粒子退化问题。(3)针对Fast SLAM采样精度不足的问题,提出了一种改进的粒子群优化算法。首先利用机器人的最新观测值定义粒子适应度,其次根据粒子的适应度调整惯性权重值,使用混沌来优化解决粒子集的早熟收敛。最后利用改进的粒子群算法使粒子更接近机器人的真实位置,提高采样精度。在MATLAB中进行了仿真实验,结果表明,改进的粒子群优化算法可以提高机器人位置估计精度与环境路标的估计精度。(4)介绍了真实移动机器人硬件平台与基于ROS操作系统的SLAM结构框架,并在原始Gmapping功能包的基础上,使用自适应遗传算法重采样策略与改进粒子群优化策略进行改进。实验结果表明,改进的Gmapping算法能有效实现闭环,构建的地图清晰规整,具有较高的机器人状态估计精度。