在实际应用中,机器人往往处于未知和非结构化的工作环境中。机器人在真实环境中找到自己的定位依赖于同步定位与地图构建技术（Simultaneous Localization and Mapping,SLAM）,即在运动的同时获取传感器数据来评估真实环境信息,结合地图信息实现自我定位并建造增量式地图。传统SLAM方法在移动机器人在建图导航时仅考虑XY坐标和偏航（Yaw）,导致地面平整性和凹凸障碍物信息缺失,这对机器人移动过程中的位姿将产生重要影响。室内的门槛和往下楼梯等区域也没有被考虑进来,室内外的不平路面对机器人移动位姿的干扰同样也会影响建图精度。本文从移动机器人不同姿态时对地面凹凸障碍物检测的数学原理和计算流程开展研究,建立平整性预测数学模型,并提出构建凹凸障碍物地图概念并实现路面实时平整性预测。与其他方法相比,本研究使机器人在复杂的环境中能够感知更多的障碍物信息,增加了小型和凹型障碍物的信息,并直接纳入导航地图,使移动机器人可依靠障碍物地图避开危险区域。论文完成的主要工作如下:（1）实验设计。针对地面平整性和凹凸障碍物信息欠考虑的问题,提出利用激光雷达传感器结合数学检测模型实现地面检测的方法,从深度相机和激光雷达的检测原理和优缺点考虑实验传感器选型,明确仿真实验研究方法。（2）环境搭建。利用Gazebo仿真软件分别搭建了基于室内仿真环境的Turtlebot实验仿真平台和基于室外仿真环境Clearpath HUSKY实验平台,添加所需的传感器插件。对现有工具参数进行修改,创建Gazebo适用的室外凹凸地形仿真模型。（3）数学建模仿真。明确了机器人不同位姿时对路面平整性检测的数学原理,将平整性计算转化从运动位姿到初始位姿的投影,确定平整性检测模型。通过惯性测量单元（Inertial Measurement Unit,IMU）传感器获取机器人不同时刻的位姿,结合平整性检测模型计算出当前位姿下激光测距数据的平整性情况。最后结合里程计优化的位姿构建凹凸障碍物地图,与其他算法构建的导航地图比较,本算法能提供更多的障碍物信息。（4）实验研究。首先对激光雷达数据进行预处理,点云数据融合和体素网格滤波,得到含有地面凹凸信息的点云地图。实验证实两种方法都能进行凹凸地形地面点云地图构建,而单线激光雷达具有更强的适应性和经济性。本文针对于地面检测应用,提出的单线激光雷达对地探测在数据冗余和单位运算量上都表现出比多线激光雷达检测较好的效果。