随着机器人技术的发展,越来越多的机器人开始走进生产和生活中,将人类从繁重的体力劳动中解放出来,作为工业机器人的重要组成部分,自动导引车(AGV)近年来获得了广泛的应用。工业化应用场景环境复杂,对AGV灵活性的要求高,因而基于激光雷达的同步定位与建图技术(SLAM)开始被应用到AGV上来。但是在噪声较大、建模不准确、粒子耗散等问题的影响下,基于粒子滤波的方法对机器人位姿的预测情况较差,由于每个粒子都要单独维护一张全局地图,因此提升粒子数量的方式在车载硬件计算能力有限的情况下是不可取的。所以,研究如何在粒子数有限的情况下,提高粒子对机器人位姿估计的质量,减小粒子耗散的影响,具有重要的理论意义和实用价值。针对使用激光雷达进行同步定位与建图的问题,本文首先介绍了本课题所使用的内外部传感器,分析了两种不同的里程计运动模型,并采用了一种基于差分的特征提取方法,可以有效地从激光雷达中提取出点特征,在此基础上推导了激光雷达观测模型,为创建特征地图奠定了基础;其次,利用里程计和激光雷达数据,对滤波器定位问题进行了分析,在此基础上研究了基于扩展卡尔曼滤波的SLAM方法,给出了一种考虑旋转因素的过程噪声方差确定策略;随后,针对粒子滤波SLAM中运动模型对机器人位姿预测较差的问题,本文对其提议分布进行了改进,同时对比了不同重采样方式对SLAM的影响;最后,对于SLAM的扫描匹配过程,本文采用一种基于相关性的配准方法对基于粒子滤波的SLAM进行了改进,该方法可以对粒子的预测位姿进行有效校正,鲁棒性好且误差不易积累。为了验证本课题所采用改进策略的有效性,本课题设计了仿真和实际实验,通过仿真实验进行对比验证,证明了本课题所采用的配准方法能有效提升粒子对机器人位姿估计的质量,无论是机器人的定位精度还是建图的效果,都要优于其它匹配方法;通过在机器人操作系统下对开源算法进行改进,验证了本课题所采用提议分布改进方法的有效性。