位置服务(Location Based Services,LBS)已经发展成为当今服务产业的重要组成部分,而高精度地图是位置服务产业得以快速发展的关键。如何研究出一种高精度、低成本、快速采集地理信息数据的室内大规模制图技术越来越受到人们的关注。即时定位与地图构建(simultaneous localization and mapping,SLAM)是机器人领域研究的热门话题,SLAM是指机器人在未知环境中,从未知位置开始运动并根据自身携带的传感器增量式地创建未知环境的连续地图,同时确定自身相对于已经构建的环境地图的位置。SLAM将定位与制图统一在一个框架下,是一种有效的解决移动制图问题的方法。经过多年的发展,SLAM已经相对成熟,基于滤波的SLAM方法逐渐被基于图优化的SLAM方法取代。基于图优化的SLAM方法在有回环约束和相对小规模环境中可以取得较好的结果,但是一方面,如果没有回环约束,SLAM的累积误差难以消除,定位与制图精度难以提高;另一方面,随着制图区域的不断扩大,SLAM面临着许多困难,如回环检测会变得比较困难,计算压力和内存消耗都会不断增加,且制图精度也随之降低。针对2D LiDA SLAM中的这两个问题,本文在详细阐述基于图优化的SLAM方法的基本理论之后,提出了相应的解决方案,在原有的SLAM系统NAVIS基础之上进行改进并通过实验验证了所提出的解决方案的有效性。本文所做工作和贡献为:(1)针对没有回环条件的SLAM制图场景,如典型的“U”型的制图区域,本文提出在图优化SLAM后端优化中添加距离约束来消除误差累积,从而提高制图精度。实验表明,当距离约束边之间构成稳定的几何结构三角形时,可以有效的消除SLAM误差累积;因此我们按照Delaunay三角网剖分原理连接控制点生成Delaunay三角网并将其边长作为距离约束,结果表明添加Delaunay三角网距离约束可以取得和添加控制点间相互连接构成的距离约束相似的结果。在实验中,针对典型的路径长度为300多米的无回环条件的(“U”型区域)SLAM制图问题的精度从1.65m提高到0.36m,精度提高了大约79%。(2)针对大规模环境下的SLAM问题,分布式SLAM的基本思想是采用分而治之的方法,将大规模环境划分为多个小的区域进行处理。本文提出了一种基于控制网约束的分布式SLAM方法,通过将控制网约束信息加入到SLAM后端优化中,将不同区域的局部转换到统一的绝对坐标系中,实现分布式制图。实验表明在图优化SLAM后端优化中添加控制网约束可以显著地提高SLAM制图结果的精度,无论是绝对精度还是相对精度,在大型室内停车场实验中,添加控制网约束的SLAM制图结果的相对精度可以达到0.080m,绝对精度可以达到0.126m,和没有任何约束的SLAM制图结果(其相对精度为0.156m)相比,相对精度显著地提高了49.8%;同时实验表明添加控制网约束的方式同样可以解决没有回环条件的SLAM制图问题,因为在实验中添加控制网约束的SLAM制图结果和添加回环约束的SLAM制图结果的精度基本相同;在实验中我们发现,控制点的数量对于SLAM制图结果的精度有一定的影响,当控制点的数目达到一定程度的时,继续添加更多的控制点并不会显著的提高SLAM制图结果的精度,因此在实际应用中应该根据实际情况选择合理的控制点数量和控制网结构是必要的。综上所述,针对无回环条件的SLAM制图问题和大规模环境的SLAM制图问题,本文提出了相应的解决方案并通过实验验证了方法的有效性。