同时定位与地图构建技术(SLAM)是自主移动机器人导航部分的关键环节,传统的集中式SLAM算法随着环境信息的变化,存在着系统模型动态变化和状态量不断扩维的问题,无法保证SLAM系统的稳定性、一致性和实时性。针对集中式结构的问题,分布式SLAM算法根据每个观测到的有效特征点建立相应的分布式子系统,将系统模型的动态时变和不断扩维问题转变为了分布式子系统的动态更替问题,从而保证系统的稳定性、一致性和实时性。本文以分布式SLAM算法为基本研究内容,探索增强分布式SLAM系统实时性、稳定性和一致性等的有效途径,主要完成了以下研究内容:首先,从SLAM的基本原理出发,针对观测信息动态更替的实际情况建立了分布式SLAM算法的数学模型、系统模型,根据改进的模型阐述了分布式的计算方式,并将分布式计算和主流的滤波算法相结合,总结适合分布式框架的算法实现流程。最后,对比分析分布式SLAM和传统SLAM的不同,总结两者各自的优势和劣势。其次,针对SLAM系统实现过程中存在的动态重构问题,提出一种基于空间域划分的分布式SLAM算法,该算法结合分布式SLAM结构和粒子滤波的特点,提出了以下的改进措施:该算法依据两个路标点与机器人连线之间的夹角,将整个空间域中的路标点进行区域划分,保证每个子空间域内含有两个不共线的路标点,按照每个空间域内的路标点组合构建观测模型,同时改进发生重构时各子滤波器中粒子分布的动态调整过程,从而改善了系统在动态重构过程的精度和稳定性。最后,通过实际数据进行相关仿真试验证明该算法的可靠性。再次,从EKF-SLAM系统的收敛性、一致性等性能分析出发,探索建立分布式结构的EKF-SLAM系统,提出一种基于航向辅助的分布式SLAM算法(DH-EKF)。通过在子系统中引入航向信息,建立了航向辅助的分布式SLAM系统模型,并利用分布式扩展卡尔曼滤波(D-EKF)实现最优估计。通过对D-EKF-SLAM系统的收敛性和一致性分析,航向的观测信息可以有效提高分布式SLAM系统的观测性、收敛性和长期一致性,保证了分布式SLAM系统的有效性和实时性。最后,通过实际的移动平台,验证上述算法的精度和性能。最后,在基于航向辅助的分布式SLAM算法的基础上,针对分布式子滤波器估计精度存在的局限性问题,提出改进的分布式EKF方法。利用改进的线性化方法提高各子滤波器的估计精度,并考虑到一致性对系统的影响,改进分布式系统融合的方案,通过协方差矩阵子模块和匹配信息子模块,充分发挥分布式结构下观测信息的作用,保证系统在精度较高或一致性较高的情况下均能合理地做出融合判定。最后,通过实际移动平台实验证明,改进算法能有效地提高分布式SLAM算法在特殊环境变化时的稳定性和精度。