随着机器人技术发展和成熟,机器人的的应用和需求也与日俱增。白定位与地图构建是实现机器人自主导航的关键问题,集中体现了移动机器人的感知能力和智力水平。与单移动机器人定位相比,在复杂的动态环境下,多移动机器人通过相互协作可以共享、融合并有效利用传感器信息,提高对周围环境感知的全面性和准确性,从而提高了机器人群体的定位与地图构建的精度。多机器人协同定位与地图构建已经成为了当前多机器人系统领域的研究热点之一。本文主要围绕了多移动机器人协同定位与环境地图构建问题展开研究。论文首先介绍了多机器人协作系统的结构以及相关模型,包括坐标系统模型、机器人位置模型、机器人运动模型、环境地图表示模型、传感器观测模型、多机器人观测模型以及噪声模型。其次,研究了卡尔曼滤波算法、扩展卡尔曼滤波器算法以及用其解决机器人SLAM问题的实现过程。针对系统模型与环境信息的不确定性特点,利用对非线性函数具有很好逼近能力的前向神经网络减少系统的数学模型与实际模型误差,同时利用卡尔曼滤波用于神经网络的权值学习以加速收敛,通过两者的联合,能较优地解决机器人SLAM问题,随后将它扩展到多机器人的SLAM问题中。第三,在研究了粒子滤波器算法和机器人的FastSLAM方法的基础上,引入蚁群算法,将每一个粒子视为一只蚂蚁,将位姿的概率分布值作为蚁群的启发信息,将权重作为蚁群的初始信息素,在重采样阶段,也使用蚁群算法产生新的粒子分布。引入蚁群算法目的在于在状态解空间内寻找到最优的粒子,提高机器人定位与建图的精度,并将其用于多移动机器人在初始位置已知和未知情况下的协同定位与地图构建(CSLAM)问题。最后,为了验证算法的有效性和正确性,相对应于第三章所提出的扩展卡尔曼滤波联合神经网络的方法和第四章提出的蚁群算法改进粒子滤波器方法,建立起多机器人系统的模拟仿真实验。通过仿真实验表明,本文所研究算法能有效地解决多机器人协同定位与地图构建问题。