近些年来,随着万物互联时代的到来,机器智能与IoT技术正在飞速发展。具有自主移动功能的智能机器人也逐渐普及,对于这类机器人,基于激光雷达数据的同步定位与地图构建(SLAM)技术尤为重要。然而,目前SLAM相关算法存在三类问题:建图过程中系统算力需求及功耗过高,定位过程中主动蒙特卡罗粒子滤波定位算法效率较低,以及机器人在导航过程中无法精准高效地检测周围行人。为解决上述三类问题,本文设计并实现了一套基于异构计算及地图蒙版的改进SLAM方案,围绕SLAM系统中建图,定位,导航三个子模块分别进行优化。在建图方面,主要针对经典的GMapping算法进行研究,其中子流程Scan Match的粒子滤波过程需要为所有的粒子进行调优,对每一个粒子依次进行非迭代运算的过程使用CPU计算效率较低,本方案采用CPU+FPGA异构计算的方式进行优化,最终将Scan Match的效率提升了 29.2%。在定位方面,通用的主动蒙特卡罗粒子滤波定位算法(AMCL)同样需要针对大量的粒子进行非迭代运算,本文采用与优化GMapping同样的模式,采用异构计算的方式进行优化,将其效率提升了 12.7%。在导航方面,机器人通过纯激光数据无法实时检测周围的行人,通用的针对人腿的随机决策森林算法有太高的假真率。本方案通过结合建图结果的地图蒙版算法过滤了人腿检测90%以上的假阳性结果,大大提高了行人检测的精准度。本文提出并实现的对GMapping和AMCL进行优化的方式可作为对SLAM系统相关算法的通用优化方式,具有很强的可扩展性;基于纯激光雷达数据的行人检测算法对导航相关的应用有很高的实用价值。为测试上述成果,本文还设计搭建了机器人算法调优的仿真测试平台,并基于此平台设计了一系列自动化测试流程,在节省人力的同时,也提高了测试效率及测试结果的可信度,适合于多种SLAM相关算法的测试与调优。