近年来,移动机器人在生活服务、工厂物流、抗险救灾等领域具有越来越广泛的应用与发展。同步定位与建图(Simultaneous Localization and Mapping,SLAM)则是其中最基础、最核心的技术,当移动机器人探索未知环境时,利用SLAM技术可以构建环境地图,这是移动机器人完成后续任务的基本;而基于环境地图的定位技术则是实现移动机器人自主能力的基本环节,也是完成自主导航、巡检等任务的前提。可以说,建图与定位技术对于移动机器人的发展是最至关重要的。虽然在室内结构化场景下已得到成熟的应用,但在室外大范围场景(道路、农田、变电站等)中仍然存在较大的困难与挑战,例如因场景中特征匮乏带来不合理的数据关联从而破坏地图的一致性,因场景尺度太大导致全局定位无法快速收敛,或是场景的相似性带来定位收敛精度不高等问题。本文围绕配备三维激光雷达的移动机器人在大范围室外环境作业,针对其中的建图与定位关键技术展开详细的分析与研究,以此提高移动机器人在无靠全球定位系统(Global Positioning System,GPS),在环境存在特征匮乏、相似或高动态噪声的情况下的建图精度与鲁棒性,以及定位的收敛速度与精度。本文的研究内容如下:1.对于建图技术中存在的诸多挑战,本文提出了一种基于多层ICP(Iterative Closest Point)匹配的建图方法。具体地,针对室外环境中大量的的动态、噪声信息会增加匹配算法的不确定性,提出可靠的点云降采样策略,可有效提取静态、稳定的点云数据;为确保SLAM的实时性以及场景中存在特征匮乏时保证数据关联的鲁棒性,提出多层ICP匹配算法,结合Scanto-Scan以及Scan-to-Sub Map的匹配方式构建实时低漂移的激光里程计,利用Scan-to-Key Scan匹配来解决机器人重新回到已访问区域时的数据关联问题,以避免大范围场景下累积的误差破坏全局地图的一致性;最终将SLAM问题简化为最小二乘问题,并通过增量优化算法来求解,可提高计算效率。提出的建图算法可保证在大规模室外场景下的建图精度同时满足实时应用。2.定位技术通常可分为全局定位与位姿跟踪两个部分,在无靠GPS的情况下,实现大范围场景的快速全局定位是一件极具挑战的事情,本文提出一种基于多假设粒子滤波的定位方法,将其分为场景识别与位姿估计两部分。具体地,针对传统粒子滤波在大范围场景下很难快速收敛到初始位姿,提出了基于随机森林学习的场景识别算法实现对初始位姿的快速搜索;针对环境中可能存在高相似的场景,为避免传统粒子滤波算法会收敛到错误的单一、高似然区域,提出多假设粒子滤波算法独立发展并跟踪多个初始位姿假设集合,直到收敛到正确的位姿假设。最终可实现在大规模环境中且场景具有较高相似性的情况下,提高定位的收敛速度、精度与鲁棒性。综上,本文提出了一套移动机器人在大范围室外场景进行建图与定位的解决方案,并在多个移动平台,及一系列真实场景与公开数据集完成算法的验证,实验结果证明了各算法的有效性及在精度、时间上的优越性。