针对传统2D激光雷达建图存在空间环境信息获取不完全的问题，提出一种基于Gmapping算法融合固态激光雷达和2D激光雷达的建图策略。首先，对固态激光雷达点云数据进行平面投影，利用生成的激光数据结合Gmapping算法中最优粒子轨迹建立栅格地图后，再与最优粒子携带的栅格地图融合生成的融合地图，实现对空间障碍物的识别。其次，为提升建图精度，使用扩展卡尔曼滤波（EKF）对轮式里程计（WO）、激光里程计（LO）和惯性测量单元（IMU）进行动态权重融合，解决因车轮打滑或激光里程计在低特征环境下特征匹配失败等因素造成的融合里程计精度下降问题。最后，对融合地图和融合里程计算法进行测试实验。实验结果表明，融合地图可以正确识别空间障碍物，融合里程计在平均定位精度上相较于传统方法提升17.0%。

针对室外大范围建图场景中激光里程计输出的运动轨迹漂移问题，在仅使用激光雷达构建里程计条件下，基于正态分布变换提出一种连续运动预测算法来提高点云匹配初始值估计精度，然后在点云匹配时使用帧与局部地图匹配代替帧间匹配，有效抑制了运动轨迹的漂移。仿真中采用Kitti数据集的2个不同场景进行验证，结果表明：所提的激光里程计改进算法，分别使运动轨迹的全局平均误差降低了27.93%、36.66%，其中三维运动轨迹竖直方向（Z轴）上的偏移最大值分别降低了70.29%、82.52%。所提的改进激光里程计有效抑制了运动轨迹漂移。

轮式里程计在复杂不平的地形和光滑的地面上性能较差，传统的激光扫描匹配方法并不总是正确地建立点云之间的对应关系，容易出现点与点之间的异常关联，导致定位精度较差。针对这一问题，提出一种基于方向端点的激光扫描匹配方法。首先，从环境中提取直线端点作为特征点，通过端点间的特征匹配得到相邻时刻移动机器人的相对位姿关系。基于端点的匹配方法在特征点较少时有可能会产生误匹配，为进一步提高匹配精度，利用端点的方向剔除误匹配的特征点。在此基础之上，利用迭代最近邻法进一步优化方向端点的匹配结果，得到更加精准的移动机器人位姿。实验结果表明，所提方法在7 m×7 m的室内光滑地面环境中，能够达到0.12 m的平均定位误差以及1.18°的平均角度误差，与传统的激光扫描匹配方法相比精度更高。

针对激光雷达因为颠簸等路面原因突然转向和做摇摆运动所造成的运动漂移问题，提出一种基于连续时间样条约束的改进激光里程计。在运动非连续性假设下，基于扫描关键帧和样条分割来提高点云匹配精度，然后添加样条约束，基于改进迭代最近邻（ICP）算法进行帧与地图匹配，有效抑制运动轨迹的漂移。在KITTI里程数据集和实验室采集的里程数据集上的实验结果表明，所提激光里程计改进算法分别使运动轨迹的全局平均误差降低了12.43%、29.40%。与目前基于几何特征的方法相比，所提改进激光里程计稳定且有效抑制了运动轨迹漂移，改善了激光里程计性能。