同时定位与地图创建(simultaneouslocalizationandmapbuilding,SLAM)在移动机器人研究问题中具有非常重要的研究意义与价值,其同样也是最基本、最核心的研究命题。移动机器人的定位能力与环境地图的精度密切相关,而环境地图的创建又依托于精确定位,两者相互影响、相辅相成。除此之外,移动机器人必须具备在未知环境中移动的能力,其是移动机器人自主运行的重要前提,机器人从环境的未知位置出发,在移动过程中估计自身位姿的同时,通过传感器测量周围环境并构建增量式地图,进而借助该地图更新机器人位姿。移动机器人定位借助于环境地图的构建,而环境地图的构建同样依赖于机器人的位姿,机器人的定位与环境建模相辅相成,因此SLAM理念便成为解决这一问题的关键技术。然而,现阶段大部分研究还处于实验室研究阶段,对真实、大型环境实现的成功案例较少。加之,工业领域机器人应用环境更加复杂,要求具备更高的鲁棒性与定位精度,但目前工业环境中环境的二维地图与真实环境存在较大误差,这也将直接导致工业机器人在现实场景中的应用受到极大限制。其中“噪声地标”问题是最严重的障碍之一:首先,真实地标与“噪声地标”之间不匹配的概率可能增加,这将可能导致基于拓展卡尔曼滤波(Extended Kalman Filter,EKF)的SLAM算法失效。其次,这些不可靠的“噪声地标”总是不稳定的,从而导致更多的不确定性甚至发散。第三,越来越多的“噪声地标”带来了状态向量和协方差矩阵的高维,基于EKF的算法的计算复杂度可能会急剧增加。因此,本研究旨在利用2D激光雷达建立复杂工业场景下算法模型,在实际环境中,创新性地提出一种基于双地图的抗干扰EKF SLAM框架,在前人研究基础上对SLAM算法进行了优化与拓展,并采用严格的地标选择方法和基于双地图的地图管理方法来消除“噪声地标”,有效减少“噪点”,提高地图构建及定位精度。与此同时,对地标处理、实时可观测区域等方面也进行优化,进一步保证地标的正确性。在文章最后,对改进前与改进后的实验误差进行了分析与总结,并对改进后算法的有效性与实用性进行了验证。