同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)是移动机器人自主导航的核心技术,是机器人在未知环境中自主完成复杂任务的关键,体现着机器人的智能化水平。数据关联作为SLAM中关键问题,它决定了移动机器人定位的准确和地图的精确,因此本文针对SLAM中数据关联鲁棒性进行了研究。当前SLAM一般基于稀疏最小二乘求解,但是它要求数据关联100%的正确,需要S LAM中前端具有高性能的数据关联。一旦出现错误数据关联,就将导致结果发散。针对这一问题,Switchable Constraints (SC)和Max-Mixture Models (M-M)算法进行了初步探索,使得SLAM对环闭具有鲁棒性,但未探讨对环境路标的数据关联鲁棒性问题,且未能得到环境信息。本文在SC算法基础上,结合特征图及其因子图特点,提出一种对错误数据关联鲁棒的特征路标地图SLAM算法(Robust Feature-landmarks Map SLAM Algo-rithm for Incorrect Data-associations,简写为RFM-SLAM)。RFM-SLAM算法通过对基于路标的拓扑图增加开关因子节点,同时利用运动过程中所有的历史信息,对机器人所经过路径中的错误数据关联进行修正,优化得到正确的机器人路径、路标位置和机器人-路标拓扑关联信息。根据SLAM的概率理论和拓扑关系,RFM-SLAM算法不单增加开关因子,还在优化公式中添加约束条件,使算法能收敛到最优解附近。通过对SLAM中矩阵稀疏性的理论分析和g2o (general graph optimizatio n)使用,确保了算法的计算效率。在后端优化过程中,开关因子改变SLAM问题的拓扑结构,消除了错误数据关联对优化结果的影响。该算法提高了SLAM对数据关联的鲁棒性,使得前端和后端的关联更紧密,保证了机器人定位的准确和路标地图构建的精确。最后通过仿真数据集和真实测试数据集的实验以及与其他算法比较,RFM-SLAM算法性能得到了验证。