移动机器人利用传感器的测量信息进行自定位和地图构建,是其实现自主导航并且智能化完成特定任务的基础和前提。机器人的自定位以已知的环境地图模型为基础,而环境地图模型的构建又要求机器人在获取未知环境信息的同时确认自身的位姿,这就构成了机器人的同时定位与构图(simultaneous localization and mapping,SLAM)问题。鉴于激光或视觉等传感器单独使用存在局限性,多传感器信息融合能够弥补不同传感器的劣势,提高机器人的定位和构图精度。目前,广泛使用的扩展卡尔曼滤波器可以对不同的传感器信息进行有效融合,但在融合过程中泰勒级数线性化存在一定误差,激光传感器普遍采用的Rao-Blackwellized粒子滤波(RBPF)算法存在粒子退化、累积误差较大等问题。作为一种新兴的传感器融合方法,因子图融合模型能够较好地处理不同传感器测量的异步性,并且具有增量式优化的优点。本文在改进激光RBPF-SLAM算法和因子图融合模型的基础上,研究了基于多传感器的移动机器人同时定位与构图方法,主要研究工作包括以下内容:首先,本文对移动机器人同时定位与构图技术的研究现状进行了总结和分析,对移动机器人SLAM问题和概率模型进行了简要论述,对本文涉及的差速转向式移动机器人运动模型、激光和视觉传感器测量模型进行了理论推导和构建;其次,通过分析传统RBPF-SLAM算法的优势和不足,运用图优化理论约束优化蒙特?卡罗定位的位姿估计结果,基于激光RBPF-SLAM实现了机器人同时定位与路标地图构建;再次,为有效降低使用单一传感器进行移动机器人定位的不确定误差,提高机器人定位与构图的准确性和鲁棒性,提出一种多传感器融合的移动机器人SLAM算法,为适应双目视觉因子节点的构建完善了ORB特征点处理过程,利用因子图模型对激光RBPF-SLAM节点和双目视觉节点进行最大后验概率准则下的信息融合;最后,通过算法仿真测试和在履带式移动机器人实验平台上开展的多组实验对本文所提方法进行了验证分析,仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般融合SLAM算法更高的定位精度,构建的三维地图模型更加精确,验证了本文所提方法的有效性和实用性。