同时定位与建图(Simultaneous Localization and Mapping,SLAM)一直是自主移动机器人技术研究的热点和难点,为了解决SLAM问题,需要借助外部传感器来实现机器人对周围环境的状态表示,常用的传感器包括激光雷达和视觉传感器,基于激光雷达的SLAM方案因其精度高、抗干扰能力强和探测范围广的特点得到了广泛的应用。本文主要研究基于激光雷达的SLAM来解决室内定位和建图问题。论文主要工作是,针对传统RB粒子滤波(Rao-Blackwellised Particle Filter,RBPF)方法基础上的RBPF-SLAM算法存在的扫描匹配精度不高与粒子多样性缺失的问题,给出相应的改进方法。1、根据障碍物边缘点的特性,给出一种基于特征点的扫描匹配方式,边缘点记为特征点,其余数据点为普通点,特征点在用于匹配时占有更大的决定权,提高机器人定位的精度。2、采用自适应分区重采样替代原算法中的重要性重采样,将粒子按照权重大小进行分类,只对权重较大和较小的粒子进行重采样,而中等权重的粒子直接进入下一阶段的位姿估计过程,提高了粒子的多样性。3、在移动机器人验证上,利用机器人操作系统(Robot Operating System,ROS)的分布式框架实现树莓派与PC端的远程通信,通过合理分配算法的运行平台,提高建图的性能。在Intel Research Lab与ACES Building公开数据集上进行对比实验,并进行定量分析,结果表明优化后的算法在机器人的定位精度上提高了15%,整个环境中的重采样次数降低了20%。然后搭建移动机器人实验平台,并在该平台上进行RBPF-SLAM算法的实现。利用实验平台对实验室环境与走廊环境进行了实地测试,验证了本算法在实际应用中的有效性。