即时定位与建图技术（Simultaneous Localization and Mapping,SLAM）,是指在已知地图（或者未知的环境）中,机器人通过自主运动,完成对环境地图的更新优化（未知环境的增量式建图）,同时在创建的地图中对机器人进行位姿的解算以及定位。按主要应用的传感器类型,SLAM技术可以划分为视觉SLAM和激光SLAM。其中,因为激光雷达数据精度高、处理速度快、可以高效响应动态环境下场景变化,所以与视觉SLAM相比,激光SLAM要更为可靠与安全。激光SLAM技术广泛地应用在无人驾驶、机器人、室内导航与定位等领域,因此本课题不仅拥有较高的经济和社会价值,在学术研究方面也有较高的意义。本文主要基于激光雷达对对室内自主运动机器人的SLAM问题进行研究,包括激光点云数据预处理、点云配准、回环检测和完整激光SLAM实验验证四部分内容。具体为:首先,为了有效地剔除大部分离群点,对比分析了体素滤波、统计滤波与半径滤波等三种滤波方法,确定了以统计滤波为主,其他两种滤波为辅的粗处理方案。同时,为了有效地平滑点云并保持点云的尖锐边缘特征,给出了基于L₀最小化的点云去噪方法,通过仿真实验验证了所给方法的有效性。其次,针对目前点云配准算法没有考虑点云局部表面与几何信息的问题,提出了基于仿射不变比的由粗到精3D点云配准算法。对SHOT描述子进行了距离权值的修正,减小了特征点邻域内噪点对描述子的影响;针对目前配准算法遗漏点云局部几何形状信息,并且没有筛选不准确的点对,提出了基于仿射不变比的特征点约束,引入了点云局部表面与几何信息,并有效地剔除误匹配;针对连续多帧点云配准累积误差大的问题,提出了相邻迭代配准策略。然后,针对目前直方图回环检测方法计算量大的问题,提出了基于点云外观描述子的回环检测算法,通过调整阈值将外观描述子进行子类划分,增加外观描述子的描述性,调整算法计算量;对点云进行了旋转处理,保证其外观描述子的旋转不变性;针对外观特征相似场景易出现假阳性检测的问题,引入了距离信息的约束,减少了假阳性的回环判断。最后,将改进算法融合到现有SLAM框架Cartographer中,并对其有效性进行实验验证。分别对点云预处理算法、点云配准算法和回环检测算法进行了实验结果与对比分析。验证了对整体SLAM算法改进的有效性。