随着SLAM技术的不断发展,计算效率已经成为制约SLAM发展的主要因素。目前,在SLAM领域中越来越多的学者从稀疏化信息矩阵的角度提高SLAM算法的效率。在这些研究工作中,对于稀疏化信息矩阵问题,大都从Bayes网络的拓扑结构入手,通过构造合理的拓扑结构来实现规范化信息矩阵的稀疏化。而在具体算法中则根据网络拓扑结构特性对路标进行分类处理,这样做虽然会使信息矩阵在未经任何处理的情况下自然稀疏化,从而提高SLAM估计结果的精度,但由于算法中需要对路标进行分类,因此算法的时间复杂度也会随之增加。本文提出的算法是在Eustice扩展信息滤波SLAM算法上的改进,通过对信息矩阵结构特征的分析,使得改进后的算法不仅解决了Thrun算法中直接稀疏化信息矩阵导致的非一致问题,而且实时性和实用性也大为提高了。另外,本文提出的算法与上述通过改进Bayes网络拓扑结构得到的算法相比,估计结果相当,因而具有很高的理论和实际意义。针对SLAM领域中信息矩阵稀疏化的问题,本文从扩展信息滤波SLAM算法的几何意义和相关公式两个角度进行分析,不仅得到了规范化信息矩阵具有稀疏性的结论,而且首次提出了扩展信息滤波SLAM算法中信息矩阵的结构特征。根据信息矩阵的结构特征,本文提出了一种扩展信息滤波SLAM(Extended Information Filter SLAM,EIF-SLAM)的改进算法:通过直接对信息矩阵进行合理地稀疏化,并结合稀疏矩阵高效的运算规则,显著降低了原算法的计算复杂度;借助环闭合(或重定位)技术,有效抑制了由于稀疏化所导致的误差,实现了在保证SLAM估计结果一致准确前提下的高效性。最后,稀疏化与SLAM求解精度的关系也从理论上给予了证明。仿真针对一个大规模环境下的SLAM问题,讨论了直接稀疏化信息矩阵扩展信息滤波SLAM算法的应用。在设定运动模型和观测模型参数之后,通过仿真结果重点对信息矩阵结构特征、算法效率、环闭合以及误差和协方差四个关键问题进行了分析。实验分别就室内具有摄像头的两轮机器人和室外具有激光雷达的四轮机器人的情况进行了讨论。两个实验各具特色:实验一在实验室内通过自主研制的Frontier-Ⅱ机器人完成。实验中将平面图片作为路标,通过尺度不变特征变换(SIFT)算法实现数据关联;实验二采用SLAM领域中标准的停车场数据集,其实验环境为室外停车场,机器人为具有激光雷达的四轮汽车。实验中采用圆柱形物体作为路标,根据自身兼容最近邻居算法(ICNN)进行数据关联。仿真与实验结果有力的验证了本文所提出的算法的有效性。