王贺彬，葛泉波，刘华平，袁小虎

（1. 杭州电子科技大学 自动化学院，浙江 杭州 310018; 2. 同济大学 电子与信息工程学院，上海 201804; 3. 清华大学 计算机科学与技术系，北京 100084; 4. 清华大学 自动化系，北京 100084）

同步定位与地图构建 (simultaneous localization and mapping, SLAM)问题可以描述为：移动机器人在未知环境中运动时，逐步构建其周围环境的地图，同时运用此地图对机器人位置和姿态进行估计[1]。SLAM技术广泛应用于移动机器人、无人驾驶汽车、无人机、增强现实、导航或水下无人潜航器等领域[2-4]。但是目前已有的SLAM算法，大多是单机器人系统且假设运动轨迹已知，这种被动式SLAM与SLAM问题中的环境未知相矛盾[5]。

多机器人系统在探索能力、鲁棒性、容错性等方面比单机器人更具优势[6]，各个机器人通过通信网络进行信息传递与共享，相互协调工作，共享环境信息，极大扩展了机器人系统对环境的感知范围与定位的精度。因此，自20世纪90年代以来，在研究单机器人SLAM的基础上，多机器人SLAM逐步成为移动机器人领域研究的热门[5，7-8]。

由Feder[9]提出的基于信息论的自适应导航与建图方法为主动SLAM奠定了基础。文献[10]，基于EKF提出局部子地图的SLAM方法，证明局部子地图与全局地图相互独立，机器人只维护自己所建立的子图，然后周期性地将子图融合到全局地图中，但是其机器人的路径事先指定，建图过程中仅按规定路线进行环境探索，因此缺乏多机协同。文献[11]扩展了基于局部子图的多机器人主动SLAM方法，将主动SLAM问题转为多目标优化问题，并通过EKF对子地图进行融合得到全局地图。……