伍永健，陈跃东，陈孟元

地图构建作为机器人自主导航的基础，是指移动机器人在未知环境下依据自身携带的传感器信息建立地图模型[1]。常用的地图模型有栅格地图[2]、几何地图[3]以及拓扑地图[4]等。然而，地图构建问题与定位问题紧密相关，定位的结果用于地图构建，而已经构建好的地图又能实现精确定位，因此同时定位与地图构建(SLAM[5])被提出并受到广泛研究和应用。目前，SLAM技术大都基于概率理论，比如卡尔曼滤波[6]及扩展卡尔曼滤波[7]、最大似然估计[8]、粒子滤波[9]和Markov定位[10]等。文献[11]将UT和UKF运用到高斯项更新及采样粒子权重计算过程中，提出一种无迹高斯混合概率假设密度SLAM算法；文献[12]在雁群粒子群算法的基础上采用分数阶微积分和混沌思想训练模糊自适应扩展卡尔曼滤波，从而实现同时定位与地图创建；文献[13]在基本SLAM算法的迭代过程中引入元胞自动机(CA)，建立“SLAMCA生长–重定位”的闭环作用机制。

Rao-Blackwellized粒子滤波算法是目前解决SLAM问题的有效方法，它将SLAM问题分解成机器人的位姿估计和地图估计，采用粒子滤波器和扩展卡尔曼滤波器估计概率，但仍存在算法运行时间长，粒子退化严重等不足；此后很多改进的RBPF算法被提出，如文献[14]提出一种基于高斯分布的RBPF-SLAM算法，通过高斯分布分散高权重粒子获得新粒子，虽然算法能在粒子减少的条件下保持可靠估计，但忽略对低权重粒子的考虑，抑制样本匮乏现象还存在不足；文献[15]提出一种粒子群优化遗……