随着人工智能的快速发展,人们对机器人定位的精度提出了更高的要求,SLAM技术是移动机器人实现自主定位的关键。目前SLAM技术仍然存在定位误差大、地图创建不准确等问题,因此研究未知环境下的移动机器人SLAM算法,对提高移动机器人的定位精度具有重要意义。针对UFastSLAM算法中采用粒子滤波算法进行机器人位姿估计时存在粒子退化的问题,将群智能优化思想引入到粒子滤波中,提出了一种基于改进粒子滤波的UFastSLAM算法。该算法中,结合粒子滤波算法的运行机制,对蝴蝶算法的个体寻优方式进行优化,设计新的蝴蝶个体位置更新公式,引入自适应吸引半径参数来限制蝴蝶个体间吸引的范围和个体数目,根据蝴蝶之间的距离与其吸引半径之间的关系,确定蝴蝶是否进行位置更新。在重采样之前,使用改进的蝴蝶算法优化粒子滤波采样后的粒子集,使得粒子的分布更加接近真实的后验概率密度。在此基础上,使用改进的粒子滤波算法代替原始UFastSLAM算法中的粒子滤波器,进行机器人位姿估计,采用UKF算法进行环境特征的估计。使用现有的SLAM模拟仿真器和维多利亚公园数据集对算法有效性进行验证。改进的UFastSLAM算法x轴平均定位误差为0.618m,y轴平均定位误差为0.453m,环境特征点的平均定位误差为0.736m,较传统UFastSLAM算法平均定位误差分别降低了13%、1 0%、18%。测试结果表明,改进UFastSLAM算法具有较高的定位精度,可以为未知环境移动机器人定位提供一定的理论参考。