由于人口老龄化和劳动力短缺现象的加重,机器人不仅仅在工业领域应用广泛,也逐步进入了人们的生活之中,发展出了一个新兴领域。而随着社会的不断发展,越来越多的机器人需要在随机不确定的场景中进行自主性的工作,这一方面的技术需求也越来越大。在这一背景下,SLAM(Simultaneous Localization and Mapping)技术逐渐变成室内移动机器人在未知场景中工作的核心技术。当前大多数SLAM系统使用激光雷达或者视觉传感器对机器人自身位姿进行估计,但是这二者各有优劣,所以本文针对基于两种传感器的SLAM算法分别作了研究。首先,对机器人传感器数据的空间坐标转换方程进行了推导;完成了相机的内参标定以及相机和激光雷达两种不同传感器之间的外参标定,通过LM(列文伯格-马夸尔特)法完成了对标定结果的优化;创建了机器人的TF(TransForm)树模型,实现空间数据快速变换,并在此基础上建立了机器人模型,搭建了机器人的测量系统。其次,把机器人的运动分别以控制方程和观测方程进行描述,建立了基于激光雷达的SLAM系统模型;通过贝叶斯概率模型解决定位问题,使用一种批量式处理粒子的定位算法,节约了最优位姿匹配时花费的计算资源;完成了增量式栅格描述的建图方法,在预处理索引与栅格被占有的概率值之间建立映射关系,通过查找索引值来更新栅格的占据状态,提高了构建栅格地图的速度。之后,将基于视觉的SLAM框架分为前端和后端进行处理;在前端使用随机采样一致性的方法剔除误匹配点,提高图像特征的匹配精度;使用EPnP(Efficient Perspective-n-Point)实现了相机帧间运动的估计;在帧间估计时建立了局部地图,增加了帧间数据的关联性,使用光束平差法对帧间位姿估计优化,减小了帧间估计噪声;在后端使用了基于位姿图的全局优化策略,减小系统计算量的同时使全局位姿估计更精确;为系统添加了基于词袋模型的回环检测,有效减小了系统的累计误差。最后,在实际环境中设计实验,对本文提出的基于激光雷达的SLAM算法和基于视觉传感器的SLAM算法进行了测试,分别通过定位实验和建图实验,验证了两种算法的有效性并分析了实验结果。