1.引言
近年来，随着科技的发展，全世界也更加重视对自主机器人的研究。要实现机器人自主运动，最重要问题就在于它的定位与导航。导航技术自从20世纪中叶被一些学者提出来，到目前为止已有60多年的历史。而机器人想要完成导航任务，首要条件就是能够感知周围环境，只有这样，机器人才能知道“我在哪”，“我要去哪里”。并且，机器人想要安全地抵达目标点，还需要感知并躲避障碍物。因此，机器人同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）已经成为了智能机器人领域的科研重点，是移动机器人进入未知环境中遇到的第一个问题。这需要机器人从一个未知位置开始移动，对环境进行增量式地图创建，同时利用创建的地图进行自主定位和导航。SLAM技术可以使机器人实现真正的自主导航。
2.SLAM技术国内外研究现状
目前主流的SLAM技术分为激光SLAM和视觉SLAM。但无论是激光SLAM还是视觉SLAM，都存在运行频率低，运行资源占有率大的缺陷。因此需要通过与其他传感器融合，来获取更好的位姿估计与更高的运行效率。所以，传感器的选取以及融合算法相当重要，不仅影响了定位导航的成本，还影响着定位与建图的精度。
Durrant-Whyte和Tim Bailey提出用拓展卡尔曼滤波（EKF-SLAM）或者FastSLAM的方法建立观测模型。通过计算协方差矩阵来预测下一时刻的状态，进行时间更新和观测更新。观测更新要求每次进行观测时更新所有地标和联合协方差矩阵。但是该方法的计算量随着地标的数量平方增长，需要进行改进工作才能真正用于实际[1]。之后，为了使运算量限定在可行的范围内，他们运用了state-augmentation的方法限制了时间更新方程的运算量，并将公式进行形式划分，限制了观测更新的运算量，从而实现了最优SLAM估计，同时运算量大大减少[2]。
Eui-Jung Jung，Jae Hoon Lee等人，在激光探测仪（LRF）数据中定义了人体特征，并采用支持向量数据描述方法探测人体，实现机器人对运动员的追踪。同时，为每个障碍物定义了一个加权半径，利用机器人与障碍物周围最短路径之间的实时位置向量，使机器人在跑动中避免障碍物[3]。
Masoud S.Bahraini，Mouhammad Bozorg等人用ML-RANSAC算法，对多个运动物体（动态或静态）的速度和位置进行鲁棒估计，利用相容矩阵和多段速度向量更新来提高算法的速度。运用一种基于距离的激光原始数据特征检测分析技术来检测周围的环境，对静止目标和动力目标进行特征分割。同时，该算法还用了拓展卡尔曼滤波进行状态观测，通过计算每个轨迹的马氏距离，来确定最优路径[4]。
综上所述，不难发现学者们研究的SLAM算法都有一个共同点：都经历了一个“估计—评价”的过程，通过传感器进行位置估计与障碍物探测，然后通过算法进行轨迹评价，最后确定机器人的最优轨迹。
3.SLAM主要方法
