自动驾驶技术近年来呈现飞速发展的趋势,相关的技术日渐成熟,地图生成和导航避障也是其中热门的两个研究方向。但以深度学习为代表的研究技术存在的巨大数据量和运算量等问题,使其对硬件平台的要求极高。地图生成的准确性以及导航避障的实时性也需要大量数据和良好的硬件设备的支持。因此,本文主要研究基于低成本与低算力自动驾驶平台上的地图生成与导航避障算法。本文首先分析了目前地图生成领域中常用的GMapping、Hector SLAM和Cartographer三种算法在自建低成本平台下的性能,并使用扩展卡尔曼滤波对现有地图生成算法进行改进,提出了基于扩展卡尔曼滤波的改进Hector SLAM算法。改进算法解决了现有算法在生成地图时地图错位、缺失和无法闭环等问题,且资源占用率仅提高4.18%,很大程度上提高了地图生成的效率与精度。在导航避障功能上,本文对研究领域内的多种算法进行了仿真实验,最终融合A~*全局路径规划算法与DWA局部路径规划算法实现实时路径规划与避障。同时对move base节点的代价地图功能进行改进,解决了动态障碍物信息残留的问题。实验结果表明,该融合算法在自建低成本平台下有良好的完备性和可修证性。在保证能够到达目标点的前提下,在静态环境中每一次都能成功躲避障碍物,在动态环境中躲避障碍物也有超过95%的成功率。最后,本文还将地图生成功能与导航避障功能进行了融合,实现了简单的环境探索功能。实验结果表明,该功能可使自动驾驶小车在未知的环境下进行自主探索并将环境信息绘制成地图。虽然存在一些问题,但考虑到其具备很好的实际应用价值,适合运用到后续的开发研究中。