同步定位与地图构建(SLAM)包括两个部分:(1)状态估计;(2)数据关联。在SLAM问题中,应用最广泛、最经典的数据关联算法为最近邻算法,其算法的核心是采用马氏距离作为相容性检验的条件,最近邻数据关联算法原理简单,并易于实现,但由于其算法在SLAM计算过程中有以下三点不确定性而导致关联正确率降低:1)机器人运动方程和传感器观测方程的线性化处理导致关联假设错误;2)环境特征密集而造成的测量误差;3)机器人位置误差的积累。针对上述问题,仅仅应用马氏距离并不能得到正确的数据关联。本文针对最近邻算法的局限性,对最近邻算法做出相应的改进,主要研究工作包括以下几个方面:1、根据数据关联的原理,数据关联过程实际上计算的是传感器所观测到的特征值与地图中已有特征相关联的可能性。由此可以引入条件概率,通过计算传感器测量值与地图已有特征之间数据关联的概率,分析了预测向量与观测向量的协方差对数据关联算法的影响机制,提出了预测向量和观测向量的协方差辅助计算马氏距离的改进最近邻数据关联算法,并通过仿真验证其算法的有效性。2、为了解决在不确定性较大的复杂环境中关联正确率低,并有效的防止虚假路标,采用模糊-自适应的算法来提高关联正确率及定位精度。由于传感器的观测信息与特征状态估计都存在一定的误差,将模糊逻辑规则运用到特征观测值与估计值的数据关联中;为了有效地防止虚假路标,并降低观测丢弃率,引入自适应关联阈值。算法的基本思想是根据观测数据来跟踪环境中的最小路标间距,将距离最近的两个观测路标中的一个作为虚拟的新路标加入到系统状态中,并将另一观测量与虚拟路标通过模糊规则进行数据关联。3、使用维多利亚公园和德国学校实验室两组真实数据,分别在室外和室内两种环境下进行实验,从而验证改进的数据关联算法应用到SLAM中的正确性及有效性,其仿真结果表明改进的数据关联算法更加适用于在环境特征较复杂的室外条件下,其数据关联正确率更高。