定位、地图构建、路径规划，一直是研究未知环境下移动机器人导航技术所涉及的三个主要内容。它们之间并非相互独立，在考虑到所有传感器信息都具有不确定性的情况下，单独考虑其中一个问题是不符合实际情况的。本文围绕这三个问题展开研究，主要包括以下五部分内容： 1.对移动机器人蒙特卡罗定位(Monte Carlo Localization，MCL)算法从两个方面进行了扩展。一是针对其在含有对称和自相似结构的环境中容易失败的问题，提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法。该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类，每簇粒子代表一个位姿假设并用一个独立的MCL算法进行跟踪，总体上形成了一组非等权的粒子滤波器，很好地克服了普通粒子滤波器由于粒子贫乏而引起的过度收敛问题。同时运用该核密度树实现了自适应采样来提高算法的性能。另外，该算法可以较好地解决机器人“绑架”问题。二是研究了不完整地图情况下移动机器人定位问题，将定位过程中机器人的位姿分为6种状态，每一种状态对应一个粒子簇。在计算状态转移概率的基础上，实现了不完整地图中蒙特卡罗定位算法，突破了MCL算法只能应用于完整地图情况的限制。 2.从点一点对应方法出发，研究了雷达扫描匹配问题。提出了一种基于曲线质心点对应的雷达扫描匹配算法，并将其应用于移动机器人位差估计。该算法实现简单且比迭代最近点(Iterative Closest Point，ICP)算法收敛快。不足之处是其精度不高，如果在ICP算法的基础上引入该算法，可以在提高匹配速度的同时保证估计精度。 3.深入研究了单机器人未知环境下同步定位与地图构建(Simultaneous Localization and Mapping，SLAM)问题。在分析采样和重采样操作对地图估计一致性影响的基础上，针对采用栅格地图的Rao-Blackwellized粒子滤波移动机器人同步定位与地图构建(RBPF-SLAM)算法设计了两种新的采样策略：固定滞后Gibbs采样和固定滞后平滑采样。它们的共同点是都能够利用当前新获取的信息来改善滤波器对先前路径的估计，从而降低了粒子退化的可能性。另外，提出了一种基于优化组合的重采样方法，通过对选取粒子和被抛弃粒子的适当线性组合而产生新的粒子，增加了粒子多样性，从而提高粒子滤波器的精度。这些改进策略能改善RBPF-SLAM算法的综合性能：在采用相同粒子数目的情况下，重采样次数显著减少，地图估计一致性也显著提高。 4.研究了多机器人SLAM中地图合成问题，提出了一种基于虚拟机器人运动的地图相对位姿估计方法。首先，利用细化算法分别构建不完整地图A与B空闲区域的骨架，然后在A(或B)中模拟一机器人沿着该地图的骨架运动并不断观测，同时，将这些模拟的数据作为数据源在B(或A)中做非完整地图蒙特卡罗定位，如果定位成功，则能方便地得到两地图间的相对位姿假设。通过控制机器人运动使它们尽量相遇，可以对这些位姿假设进行检验，如果假设为真，则以此为初值采用一启发式随机搜索算法对估计进一步优化。 5.研究了移动机器人主动环境探测问题，重点研究了基于EKF的单机器人SLAM过程中的轨迹规划问题。提出了一种目标函数，在该目标函数中同时考虑机器人运动对地图覆盖面积、地图不确定性、定位不确定性、导航代价等几个方面的影响。提出了一步最优和多步最优轨迹规划的概念，并分别设计了两种最优标准下的规划算法和近似计算方法。 最后一章对全文进行了总结，并对今后进一步的研究方向进行了展望。