即时定位与地图构建(SLAM)算法以其定位精度高和能够获取未知环境信息的特点,逐渐成为解决未知环境下机器人自主导航问题的关键技术。但传统集中式结构的SLAM系统,由于机器人所处环境的不断变化,存在计算量大、容错能力差等问题,严重制约了SLAM技术的实现和应用。本文围绕智能机器人SLAM系统结构和滤波算法,综合考虑扩展卡尔曼滤波(EKF)和分布式结构的优点,构建了分布式航向辅助EKF-SLAM系统样机,并完善和优化了系统性能。本文主要研究内容包括以下三个方面:首先,针对现有集中式和分布式SLAM系统动态容错性能较差、计算量大等问题,结合分布式结构和EKF二者的优点,将航向信息引入分布式SLAM系统中,搭建了基于航向辅助的分布式EKF-SLAM系统。主要从系统建模、性能分析、算法实现、平台搭建四个方面进行了研究和设计,并通过两组实验对航向辅助分布式EKF-SLAM系统性能进行了验证。其次,针对EKF算法一阶线性化处理后带来较大的模型误差,使得算法的估计精度下降甚至造成滤波发散,以及系统在拐弯或者动态变化较大时出现次优估计的问题,对系统主滤波器和子滤波器间信息融合算法进行了优化改进,设计了基于全局最优的分布式SLAM算法。在分布式结构中引入了全局预测器,应用信息向量空间理论,将全局预测器的预测量,以及每个子滤波器的估计量、观测量这三种信息源作为信息空间的基,进行融合得到全局最优估计结果,并通过实验对算法进行了验证。最后,针对子滤波器融合过程中,系统全局最优估计受到主滤波器和子滤波器间状态信息缺失和状态噪声耦合的影响,对上述全局最优算法进行了改进。通过引入子滤波器状态量和主滤波器状态量之间的关系矩阵,将分布式的滤波方程带入集中式滤波方程中求解得到每个子滤波器的次优融合结果,再根据得到的次优融合结果设计全局最优算法,将次优估计结果作为反馈来校正一阶状态预测量从而得到全局最优估计,并从理论推导和实验分析验证了改进算法的性能。