在移动机器人应用中,通常难以提前获得关于机器人作业环境的认知,而先验环境信息是路径规划、动作预测和机器人控制的重要依据。因此,旨在估计机器人位置与姿态并辨识周围环境的同时定位和地图构建研究成为移动机器人领域的关键问题之一,并已在星球探测、水下勘探、采矿自动化、无人飞行器导航和灾难营救等领域成功实现。传统研究大多着眼于小规模规则环境中的基础应用。实现大规模不规则环境中可靠的同时定位与地图构建系统是领域内公认的难点与发展趋势。本论文研究室外环境中应用于车型机器人的定位和场景重构方案,设计仅利用二维激光传感器的软硬件构架,仅基于移动机器人行进中采集的激光粒子云探究系统中的状态估计问题。通过对算法的创新,从系统中移除传统方案常用的车载里程计等内置于机器人激励机构的传感器,提高了系统的工程易用性。具体研究工作简述如下:第一,研究了同时定位与地图构建问题的基本方法和关键技术点。本文基于对前人研究的总结深入探讨了同时定位与地图构建研究的理论体系、概率基础和发展动向。系统研究了同时定位与地图构建问题中的状态归纳、地图描述和环境建模策略。揭示了信息滤波体系较卡尔曼滤波体系在大规模定位与地图构建应用中的优势。第二,研究了基于激光测距仪观测数据估计移动机器人两相邻时刻间相对运动的方法。分析了激光束匹配问题的定义和激光粒子云配准方案的系统构架。深入研究了激光束匹配的传统算法迭代最近点法的算法流程,实际验证并揭示了其算法缺陷,指出了经典激光束匹配算法设计上的不足与改进手段。第三,研究了基于概率推理,估计相邻激光束中激光粒子关联关系的的机器学习算法,提高了激光束匹配在大规模不规则环境中的可靠性。实现了基于条件随机场图模型的激光束匹配算法。研究了针对二维激光粒子云图模型建模、模型参数伪似然学习及隐变量状态推理的原理与实现。提出了观测量多重几何特征提取与智能管理的方法,比使用单一距离尺度的传统算法在不规则环境中的鲁棒性更强,且具有严密的的概率基础,为定量分析估计结果的不确定性并将其嵌入概率滤波框架提供了切入点。第四,提出了基于概率图模型定量分析激光束匹配问题中机器人相对运动估计不确定性的方法。研究并归纳了激光束匹配的误差源,揭示了主要误差源的产生机理和问题定义。深入研究图模型概率推理机制,通过在消息构建与置信传播环节实施累加概率采样,拟合激光点关联配置不确定性分布,并将其映射于相对运动估计空间,从而提出了采样积不确定性推理算法。与传统的基于迭代最近点算法的不确定性估计算法不同,采样积不确定性推理算法更有针对性地分析数据关联问题中的主要误差源。它以激光束中激光点的几何特性为基础,发掘条件随机场图模型推理过程得到的概率信息,因此具有完善的概率基础。经仿真和实地实验验证,采样积推理所捕捉的激光束匹配的不确定性特征更合理。此外,采样积不确定性推理算法可拓展应用于激光粒子匹配之外的数据关联问题。第五,提出了大规模不规则环境中的同时定位与地图构建的实验平台和算法系统方案。并在澳大利亚陆地机器人中心所在的悉尼大学的主校园进行了机器人路径规模大于1km的实地实验。研究并实现了精确稀疏滞后状态滤波框架,提出了新的算法机制,它融合了滞后状态信息滤波、基于条件随机场的激光束匹配和采样积不确定性推理。基于激光粒子影像匹配,提出并实现了适用于大规模不规则环境中的闭环侦测策略。经实验验证,本文所提出的同时定位与地图构建系统在真实环境中的性能优于传统算法。本文研究的同时定位与地图构建的实验平台与算法系统为实现移动机器人在复杂环境中的自治提供了可能,在军用和民用领域都有重要意义。