伴随着机器人技术的发展以及它们在日常生活和工作的广泛应用,研究者越来越热衷于研究机器人,其中移动机器人同时定位与地图创建(Simultaneous Localization and Mapping,SLAM)问题逐渐成了研究者研究和改进的基本问题与热点,与此同时此问题也是移动机器人真正实现智能化并自主完成自身任务(例如自主导航、控制决策等)的关键。移动机器人同时定位与工作环境地图的创建,是指机器人在其工作环境工作的过程中,根据从传感器中获得的数据,联合估计信息以及状态转移模型、观测模型精确地定位自身的位姿,同时增量式地创建机器人所处工作环境的地图。目前在SLAM算法框架的研究中,机器人主要使用的工作环境场景是静态环境,但是在实际的应用中,机器人所处的工作环境往往是随着时间或者空间的推移处于动态变化中,因此,研究机器人在动态未知环境下的同时定位与地图的创建以及对现有算法的改进具有十分重要的意义。本文首先介绍了SLAM的研究进程以及该研究领域中广泛使用的SLAM算法模型,以及机器人表示其工作环境所使用环境地图的表示种类和观测值与预测值之间的数据关联方法;接着,详细地介绍了SLAM Bayes算法框架,并进一步说明了根据不同的概率计算方式衍生出的标准卡尔曼滤波SLAM和粒子滤波SLAM算法模型,并且在标准的算法模型框架上引入了卡尔曼滤波器SLAM的改进算法:扩展卡尔曼滤波器SLAM和无迹卡尔曼滤波器SLAM;为了引出本文解决动态SLAM的中心思想,详细地介绍了支持该算法模型的理论基础:有限集理论以及PHD-SLAM,同时提出了更好地解决SLAM问题的粒子PHD-SLAM算法模型以及无迹粒子PHD-SLAM算法模型;进一步地,本文使用有限集来表示机器人位姿以及地图特征的联合状态以及预测模型中的观测集,对于地图中的每个特征设置状态值和观测总次数值(初始值都为零),状态值来表示该特征未被关联的次数,观测总次数值表示该特征总共在计算的过程中所使用的次数,并使用局部的思想,以此刻位姿为中心,Kinect所能观测到的最小以及最大范围为半径画圆,得到环形区域,和之前已经建立的地图区域比较找出重叠的部分,并判断出特征的属性,该属性属于静态特征还是动态特征、新特征,接着使用无迹粒子PHD-SLAM算法模型来对机器人位姿进行校正并同时更新机器人工作的环境地图,解决了动态未知环境下移动机器人的同时定位与场景地图的创建,并在对该算法模型在仿真平台上做了相应的实验,从而证明了该模型框架的有效性以及可行性。