移动机器人是一个集环境感知,动态决策与规划,行为控制与执行等多功能于一体的综合系统。机器人同时定位与地图建模问题(SLAM)是移动机器人中的一个重要领域,是移动机器人技术的基础。SLAM问题的解决可以使机器人在没有地图先验知识和其他独立定位系统情况下工作,进而使机器人实现真正意义上的自治,给自主移动机器人的应用开拓了巨大的前景。本文以未知环境下移动机器人SLAM问题为主要研究内容。首先介绍了国内外移动机器人研究的历史和现状,接着介绍了现有通用的SLAM问题解决方法,并且分析其优缺点,针对现有方法在机器人“绑架”时失效的情况,在现有算法基础上提出了基于局部子图匹配的SLAM解决方法,该方法对现有的SLAM解决构架进行了改进,提出交点最优匹配的特征相关算法,并且将奇异值分解方法引入机器人定位。最后,在此方法上做了进一步改进,提高算法的鲁棒性。本文的主要贡献如下:1.提出了新的SLAM解决构架。经过直线特征提取,找出每个局部地图对应的路标并和全局地图中的路标进行匹配,得到相关的匹配路标,并以此相关的匹配路标对机器人位姿进行估计,子图关联的数据关联算法把机器人里程计信息排除在外,和里程计信息分开处理,这样避免了一般SLAM框架下非线性预测更新模型线性化带来的系统误差,避开了机器人“绑架”的最大障碍。2.提出新的特征匹配算法。提出了基于特征线段交点的新的路标提取算法和匹配算法,采用特征线段的交点代替自然特征点来产生路标,避免了自然路标遗漏的问题,使路标提取更具有鲁棒性。路标的相关匹配是N-P问题,本文提出了一种相对最优特征相关算法。3.将奇异值分解方法(SVD)引入机器人定位。它在获取机器人位姿时不需要进行迭代搜索,运算的精度和速度都优于一般方法。4.提出了自适应阈值的直线提取算法。考虑了激光雷达采样角度和采样点距离的相互关系,提高了直线提取的准确度。最后,通过仿真实验比较了现有算法和本文算法在不同情况下的地图建模和机器人定位,证明了本文提出算法的有效性和可行性。