同时定位与地图构建(simultaneous localization and mapping),简称SLAM,是目前机器人领域的热点研究问题。它指的是让一个自主移动机器人从一个未知的位置出发,利用传感器对环境的感知信息逐渐建立一个环境的地图并且利用这个地图计算自身的位姿。随着研究的不断深入以及机器人应用环境的日趋复杂和非结构化,SLAM问题已成为移动机器人研究的基础性问题。由于SLAM重要的理论和应用价值,被很多学者认为是实现真正全自主移动机器人的核心问题.同时定位与地图构建是AUV实现自主导航的关键。文章首先回顾了SLAM的发展与应用,详细介绍了SLAM自诞生以来的发展演化以及在机器人领域的深入应用。在仔细探讨机器人定位与构图原理的基础上,引出了本文研究的重点:首先是基于EKF的SLAM和基于粒子滤波器的SLAM,详细地介绍了RBPF粒子滤波器的原理及推导过程,并详细介绍了RBPF粒子滤波器的实现步骤。在此基础上深入研究和探讨了RBPF粒子滤波器在处理SLAM问题上的优势。本论文针对目前RBPF存在的问题,在建议分布方面对算法进行了改进,为了减弱由于线性化以及环境特征稀少带来的误差,本文采用Unscented卡尔曼滤波(Unscented Kalman filter,UKF)合并最临近观测值和历史观测值。将改进的算法应用于水下机器人的导航定位中,在matlab环境下对算法进行建模仿真。仿真结果显示改进的算法对位姿的跟踪更准确,更可靠。仿真数据表明在大尺度环境中运用本算法处理机器人自身定位问题,定位的准确性和收敛性得到大幅度的提高。本文算法思想是将改进的RBPF算法应用于机器人同时时定位与地图构建,将后验概率分解成两部分,一是路径的后验概率,另一个是以路径概率为条件的环境特征的后验概率。与传统的算法相比,改进算法处理SLAM问题可以得到更高的定位精度。本论文的研究基于863课题“基于同时定位与地图构建方法的AUV自主导航技术”,具备很强的实用价值。