随着社会信息化技术的发展，工业、农业、科研、国防等各个领域越来越需要高性能的自动化系统。特别是在机器人与自动化领域，更是引起了很多人的兴趣。眼下，世界各地的机器人公司和科研机构正加紧开发研制各种智能移动服务机器人，代替人类工作。开发研制各种自主车系统，用于安全驾驶或者军事。根据机器人的工作环境，可以分为室内移动机器人和室外自主车系统(ALV, Autonomous Land Vehicle)。在所有这些应用中，自主导航是一个最基本的需求，而机器人定位又是自主导航的最基本内容，并且现代定位方法是结合内、外部传感器的基于环境地图的定位方法。所以本文就围绕着移动机器人研究中的环境地图构建、移动机器人定位、同时定位与地图构建三个问题进行了深入研究，取得了一些有意义的成果。 第一部分内容是环境地图构建，包括室内环境地图构建和室外环境地图构建。对于室内环境地图构建，由于采样点在空间分布上的不均匀性，运用变阈值自适应分隔方法对采样点进行聚类，同时运用加权统计中心来表示拟合线段的中点。相对于常阈值分隔和统计平均中心，这种方法能够更好地近似实际环境对象，构建更精确的局部线段地图和局部特征点地图。对局部地图进行融合构建全局地图，在融合的过程中保持线段或特征点的顺序位置关系，构建顺序环境地图。对于室外道路环境地图构建，首先提出了一个基于统计密度的障碍检测算法，用于道路环境和越野环境下的障碍检测。提取环境路标特征，构建由道路两侧大树组成的局部环境地图。对同一环境路标特征的多次观测，分别基于独立性假设和相关性假设，对局部地图进行融合构建全局一致的2D环境地图。对于室外越野环境地图构建，通过对多次观测信息的融合，构建以栅格表示的3D环境地形图。 第二部分内容是移动机器人定位，包括全局定位和局部位置跟踪。对于全局定位，基于顺序地图和相对位置关系，混合完整线段和特征点，提出了一个有效的匹配方法。以全局地图作参考帧，用于机器人全局定位，以局部地图作参考帧，用于帧间定位。运用顺序地图，提高了匹配搜索效率，运用相对位置关系，避免了不断的坐标变换。对于机器人局部位置跟踪，在卡尔曼滤波的框架内，通过重新构造系统状态向量，选用观测路标特征在全局地图中的坐标位置作为观测向量，系统动态方程和系统观测方程是线性的，从而运用最优的卡尔曼滤波对机器人位置进行递归估计。它克服了由非线性系统方程进行线性化时引入的线性化误差。最后，对几种定位方法，包括扩展卡尔曼滤波，扩展卡尔曼滤波，Unscented卡尔曼滤波，马尔可夫定位，蒙特卡洛定位，匹配定位，进行了实验比较。 第三部分是同时定位与地图构建(SLAM, Simultaneous Localization and Map-building)，好比“鸡生蛋，蛋生鸡”的问题，包括室内和室外环境下的同时定位与地图构建。对于室内环境，在全协方差SLAM方案的基础上，通过重新构造系统状态向量，选用适当的观测向量，系统动态模型、观测模型、环境特征增广模型都是线性的，得到一个基于线性系统模型的SLAM方案。调整状态向量元素的顺序，协方差矩阵对角线上是两个相同的对称子矩阵，非对角线上是两个相反的负对称子矩阵。对这个方案进行优化，得到一个优化的SLAM方案。优化方案是收敛的、一致的、中规模环境下计算有效的，满足SLAM算法的3C需求。再进一步近似，假设非对角线上的子矩阵为0，得到一个近似SLAM方案。对于室外环境，针对室外ALV导航的具体情况，对算法的状态预测过程进行改进，实现了室外道路环境下的同时定位与地图构建。