近年来,小场景下的单个机器人SLAM算法逐渐发展并进行应用,受机器人本体算力的限制,大场景下的机器人SLAM效率普遍不高,多机器人协作建图是解决该问题的有效途径,但目前的方法普遍存在信息交互效率低、地图精度低以及地图融合过程存在误匹配等瓶颈问题。为此,本文提出了一种“云-边-端架构下基于图优化的多云机器人协作地图构建方法,具体研究内容及创新性工作如下:（1）针对多机器人协作系统中多智能体间信息交互方式复杂、效率较低等问题,设计并实现了云-边-端架构下的多端通信模式,建立了终端机器人、边缘计算服务器以及云端服务器的稳定链接。利用LZ4算法完成数据压缩与优化后,通过信息订阅与发布的形式简化数据交互流程,实现了计算任务的有效分配以及系统内多机器人的分布式探索与集中处理。实验结果表明,跨网段通信时延能够满足多机器人协作建图的数据传输实时性要求,而且带宽占用下降30%,单个机器人计算资源消耗平均降低约20%。（2）针对多机器人协作建图精度低的问题,对子地图构建以及全局地图优化方法进行改进。在子图构建时,采用正态分布变换的方式生成前端里程计,根据环境不同利用特征路标建立准确的回环关系,最终融合多源传感器信息构建因子图模型并进行优化。对于全局地图,基于多机融合初始全局图,利用机器人的增量数据对初始图进行持续更新和调整,并采用图模型融合得到全局因子图,通过后端优化对地图不断寻优调整。经过真实场景实验验证,地图精度平均提升5%,而且实现了对建图失败场景的地图修正。（3）针对全局地图融合过程中存在误匹配问题,提出了一种基于环境特征路标的方式进行多地图融合。在子地图构建过程中,进行路标检测及位置绑定,精简特征匹配环节,利用唯一性的路标表示作为基准点实现多个子图的关联。此外,利用路标坐标确定多地图坐标系间的变换关系并取得最优解,实现地图对齐并进行数据融合。测试结果表明,机器人可以实现多场景下地图的快速关联,提升全局地图融合的匹配精度。