移动机器人的诞生标志着人类已迈向人工智能时代,具备自主导航功能的移动机器人代表着机器人领域的发展前沿。同步定位与地图构建技术是移动机器人实现自主导航的关键技术,即SLAM(Simultaneous Localization and Mapping)技术。SLAM技术的本质是一种估算系统位置和方向的过程,具体来说是指:移动机器人在未知环境下估计自身的位姿状态,并利用传感器采集周围环境信息完成定位与建图的目的。如今,移动机器人的应用环境逐渐趋于复杂化,外部环境的干扰以及不确定性因素越来越多,因此,如何进一步提高的移动机器人的定位与建图的精度,这对推动移动机器人在自主导航领域的发展具有一定的价值。本文的研究主要分为三个方面:1.本文描述了SLAM问题的数学模型,并分析了SLAM的系统模型,建立了移动机器人的坐标系模型、运动模型和观测模型,分类讨论了环境地图的表示方法,结合课题选择了合适的环境地图表示方法。2.本文深入研究了基于扩展卡尔曼滤波的EKF-SLAM算法,针对扩展卡尔曼滤波算法估计精度低,易受噪声干扰,误差累计等问题,创新性地提出了神经网络辅助的EKF-SLAM算法(NNEKF-SLAM)和多新息辨识原理与神经网络结合的EKF-SLAM算法(MI-NNEKF-SLAM),通过训练神经网络在线预测,更新和补偿系统误差,结合多新息原理来提高EKF-SLAM算法对非线性系统的状态估计精度,使扩展卡尔曼滤波在利用单个时刻新息的情况下,扩展为多个时刻的新息,从而提高算法的估计精度。最后,通过仿真实验验证了算法的有效性。3.本文深入研究了基于粒子滤波的FastSLAM算法,分析了FastSLAM算法中存在的问题,并针对FastSLAM算法中的计算复杂度高、粒子贫化等问题,创新性地提出了一种具有淘汰约束的粒子群优化的FastSLAM算法(TPSO-FastSLAM),利用粒子群中粒子的相互作用减少了粒子滤波算法所需粒子的数量,同时引入淘汰约束,对适应值较小的粒子进行舍弃,减少了算法的计算量,避免了粒子滤波中的粒子耗尽,从而改善部分性能,缓解粒子贫化的问题,提高算法的估计精度。最后,通过仿真实验验证了算法的有效性。