随着移动机器人在人们生活和生产中的应用升级,其长期性能已经成为机器人应用领域的重要挑战,即需要机器人在长期变化、动态的开放环境中具备适应环境和工作的能力。基于此,本文主要研究的是室内移动机器人的环境地图预测和长期定位的性能。在室内机器人的“长期”领域,有不少学者做过相关研究,我们将前人的工作进行整理归纳,主要存在以下两大类问题:1)在环境建模预测方面,Krajnik等人^[1]提出的FreMEn方法认为环境的变化往往是由人类的周期性活动所引起的,可以通过分析环境变化的频率,并结合傅里叶变化^[2]等数学工具对环境进行时空建模,实现对环境的预测和适应。其缺点是由方法本身的局限性,就决定了该类建模方法只适用于以周期性规律变化的环境,对以其他规律（如渐变性、随机性）变化的场景则无法进行准确的建模和预测。2)在地图更新方面,Tipaldi等人^[3]提出的动态栅格法认为环境的变化与时间无直接关联,并结合固定的更新触发阈值进行观测数据的过滤,在已建立的地图基础上作更新。该类方法的缺点是其基于环境变化的时间独立性假设（即无长期预测信息）,易造成因观测匹配较低而无法触发地图更新,同时固定的更新触发阈值机制也容易引起地图更新的错乱和失效,从而影响定位鲁棒性和精度。基于第一类方法只适用于周期性规律变化环境的局限性,本文提出了用ARMA^[4]方法进行长期变化环境的建模（可用于渐变性、随机性等规律变化的环境）。基于第二类方法易造成地图更新错乱和失效的问题,本文利用贝叶斯滤波^[5]将长期预测和短期观测结合,并提出了变阈值的更新触发机制。综上,本文提出了一种基于ARMA进行地图预测更新和定位的算法（ARMA-based Map Prediction and Updating）,即ArmMPU法。最后,我们通过仿真和实验进行算法验证。结果表明,在长期变化的复杂环境中,本文的ArmMPU算法相比其他方法有更好的地图预测准确率和长期定位性能。