同时定位与构图（Simultaneous Location and Mapping,SLAM）在机器人领域具有非常重要的地位,能够对周围环境情况进行详细的绘制。特别在是在一个未知的环境内,使用机器人构建一份详细的地图是具有重大意义的,能够为机器人自主导航做前期的准备,比如迎宾机器人、清洁机器人、巡检机器人、自动驾驶汽车等;也使人们能够更加快速地掌握全局地图,比如军事战争、矿难灾害、深海探测等。经过近三十年的发展,已经形成很多成熟的SLAM技术,但大多都是基于单个机器人的,基于多个机器人的相对较少。然而,多机器人协同SLAM能够减少重复探测区域,加快构图速度,具有单个机器人无法比拟的优势。随着,SLAM技术的应用领域增多,探测面积越来越大,这种优点越来越受到重视,相关的研究也越来越多。本文主要研究的内容就是针对多机器人协同SLAM中的地图融合问题。当前,主要的地图类型有三种,特征地图、栅格地图和拓扑地图,不同的地图具有不同的表示方法。本文主要研究了特征地图和栅格地图,并根据不同特性运用了两种不同的地图融合方法。首先,本文介绍了 EKF-SLAM、FastSLAM算法以及结合两者优点的HybridSLAM算法。随后,本文提出一种改进的HybridSLAM算法,并基于改进的HybridSLAM算法根据卡尔曼滤波原理融合两个特征地图。这个融合方法通过MATLAB仿真得到验证。然后,本文介绍了一种TurtleBot2改装升级的方法,保留Kobuki底盘,将Kinect升级为Rplidar A2激光雷达。通过这种硬件升级的方法,提高了机器人探测精度和探测范围。而后,通过在实验室运行SLAM验证TurtleBot2升级后的效果。改进的TurtleBot2将为栅格地图融合仿真提供机器人模型。最后,本文介绍了基于栅格地图的融合方法。机器人运行SLAM构建的栅格地图将作为一张图片,每个单元格表示一个像素点。通过图像拼接技术找到两张地图的重叠区域,然后,计算相对变换矩阵将地图融合。还将通过Gazebo模拟器和ROS平台进行模拟仿真验证,在Gazebo创建两个改进后的TurtleBot2模型和模拟室内环境;在ROS中控制机器人移动和SLAM以及完成两个栅格地图的融合。