本文聚焦于同步定位与地图构建技术中的地图构建的速度和精度问题,针对大规模环境中的自主移动机器人,提出了一种全局高精度地图的快速构建算法,即基于组合聚类NDT（Normal Distribution Transform）融合的稀疏分解优化SLAM（Simultaneous Location and Mapping）算法。该算法在传感器数据融合阶段,采用组合聚类的方法对雷达数据点进行聚类,它能根据雷达点的区域分布特征进行划分,并采用奇异值比例因子法筛选不合理的聚类簇进行二次划分。同时,为了降低雷达点的辐射状分布对测距的影响,本文提出了一种基于三角函数的测距方法。组合聚类NDT算法的分类结果更适合正态分布拟合,提高了扫描配准的精度,为全局优化提供了一个较好的初始值。另一方面,随着机器人的运行范围逐渐增大,基于马尔科夫构建的运行轨迹误差会逐渐发散。为了让机器人在大规模环境中获得一致性地图,本文提出了一种基于稀疏分解的图优化算法,该算法以图模型管理机器人的位姿以及位姿之间的约束关系,通过对整个图的优化,获得全局最优解。为提高图优化的计算速度,该算法提取轨迹图中的简单链和并行链,并对其进行等效替换,以得到规模缩小后的全局轨迹图和分解出的局部子图。由于信息矩阵求逆运算的复杂度随着矩阵规模的增加而呈幂数增长,而通过这种化整为零的思路提高了超大型信息矩阵的优化速度。最后,通过对比本文提出的算法和现有算法在相同条件下处理移动机器人公开数据集,实验结果表明本文提出的算法具有更高的精度和稳定性。