同步定位且能够精确构建环境地图的能力是机器人实现真正自主的必要前提。基于卡尔曼滤波器的SLAM算法有两个突出的缺陷:计算的复杂性以及对数据融合误差非常敏感,使其不能在大的实际环境中广泛应用。本文介绍了同步定位与地图构建的通用框架、理论模型,建立了AS-RF机器人运动模型和观测模型,给出了采样位姿、状态更新、地图建立及管理等方面的相关公式。利用基于Rao-Blackwellized粒子滤波器的FastSLAM算法,并建立其二维仿真模型。通过改变加入到系统的观测量和控制量噪声大小,比较FastSLAM和EKF-SLAM的表现。仿真结果表明,在数据融合不确定性的非常大的环境中,当加入相同的噪声时,FastSLAM算法对路径和路标的估计误差均远小于基于卡尔曼滤波器的SLAM算法,而且FastSLAM能够构建更准确的地图。针对单独使用里程计进行长距离定位会产生较大的角度误差的问题,本文运用了一种激光传感器和里程计融合的定位导航方法:采用哈夫变换提取激光扫描数据中的直线特征,用提取出的直线特征对前后帧扫描数据进行匹配,以修正里程计的角度。采用VC++编写了相应的程序,利用AS-RF机器人平台对上述的定位导航方案进行了大量实验。实验结果表明,机器人采用本方案可以在实验室走廊环境中创建一致的特征地图,同时利用该地图进行定位。融合定位方法可以进一步提高创建地图的精度。实验结果验证了方案的有效性。