同時定位與地圖構(gòu)建（ Simultaneous lolaliκ ation And Mapping，SLAM）是未知環(huán)境下實現(xiàn)機器人自主導(dǎo)航的主要方法， Fastslam是一個著名的SLAM問題解決方法。由于 Fastslam使用序貫重要性采樣的方法，隨著算法迭代計算，大部分粒子的權(quán)重值變得很小，只有很少粒子具有較大的權(quán)重，算法發(fā)生退化。為了使采樣的粒子分布更加精確，避免粒子岀現(xiàn)退化情況，從而進(jìn)一步提高 Fastslam算法的估計精度，提出了一種基于自適應(yīng)漸消無跡卡爾曼濾波（ AFUKF）的快速同步定位和地圖創(chuàng)建（ Fastslam）算法。針對 Fastslam的粒子退化問題，從研究粒子的建議分布函數(shù)出發(fā)，采用漸消無跡卡爾曼濾波（ Adaptive Fading Unscented Kalman Filter， AFUKF）代替擴展卡爾曼濾波器（ Extended Kalman filter，EKF）來估計機器人位姿的建議分布函數(shù)，避免了EKF的線性化誤差。同時，利用自適應(yīng)漸消濾波思想產(chǎn)生一種參數(shù)可自適應(yīng)調(diào)節(jié)的建議分布函數(shù)，使其更接近移動機器人的后驗位姿概率分布，減緩粒子集的退仳。在 MATLAB平臺上的仿真實驗結(jié)果表明，所提方法的位置估計均方誤差比標(biāo)準(zhǔn) Fastslam降低了28.7%，即估計精度提升了28.7%。在與近幾年相關(guān)算法的對比實驗中，所提方法也取得了較高的估計精度。改變粒子數(shù)量條件進(jìn)行實驗時，隨著粒子數(shù)量的増加，各算法的估計精度都在提升，所提算法依然取得了最好的估計精度。實驗結(jié)果充分說明，提出的算法計算建議分布函數(shù)更加精確，有效緩解了 Fastslam算法中的粒子退化問題，從而顯著提高了算法的估計精度。