在当代机器人的研究中,机器人的自主性是一个非常重要的指标,尤其是在未知的环境下,机器人能通过自主的感知周围环境,构建障碍物的分布图,进行自主路径规划,以较快的速度到达目的地完成相应的任务,这对机器人的研究以及人工智能的发展都具有重大意义。但在研究应用中,机器人在未知环境中的定位精准度不是很高,从而导致未知环境的地图构建不够准确,与此同时,未知环境下的路径规划算法比较复杂,不易于实现。因此,本文将从提升机器人在未知环境中定位的精确度、环境地图的构建、未知环境中路径规划算法分析三个方面进行研究。为了更好的采集数据及对比分析,首先要搭建一个合适的机器人硬件平台。本文采取了二驱四轮机器人底盘,可以实现独立的控制和原地转弯。传感器方面使用陀螺仪和里程计做为内部传感器,分别记录里程信息和航向角信息,使用超声波传感器提供快速避障信息,使用激光传感器来探测障碍物的分布情况。由于机器人在运动的过程中一直是以自己为坐标中心进行障碍物的扫描,且激光输出的信息为极坐标,所以进行了坐标转换,把机器人视角的局部坐标和激光的极坐标信息斗转换成全局直角坐标系,方便地图的构建和对比分析。里程计和陀螺仪的误差会随着机器人运动的距离增大而不断累积,从而影响到机器人路径规划的准确性。这种误差通常是由外部传感器信息来纠正,但本文研究的范围是在未知环境领域中,不会存在人为提前设置好的路标,因此本文提出一种基于障碍物的误差纠正方法。在机器人运动的初期误差较小的时候,通过激光传感器扫描到障碍物的信息,进行最小二乘法的边缘轮廓提取,把障碍物在栅格地图中表示出来,作为参考点。当机器人继续运动的时候通过扩展卡尔曼滤波算法对传感器的信息进行融合,从而减小陀螺仪和里程计所带来的误差。为了更好的描述障碍物的信息,本文依次对直线轮廓的障碍物、曲线轮廓的障碍物进行边缘信息拟合,在多障碍环境中通过连续法(Successive Edge Following,SEF)对不同的障碍物进行区域划分,再依次进行拟合。本文将人类的避障行为类比到机器人的运动当中,把机器人的运动行为划分为逼近目标、原地转向和轮廓跟踪等易于实现的子行为。将传统的Bug算法进行改进,不断更新机器人与目标点的连线方程,将机器人的运动行为加入改进后的算法中,完成仿真对比,最终实现了机器人在未知环境中能够准确的进行定位和运动规划。