自主导航技术是移动机器人领域的关键技术,它通常包括同时定位与建图(SLAM)和路径规划两个模块,其中SLAM是移动机器人路径规划的前提与保障。在SLAM系统中,由于受天气、光照等环境因素的影响,通常使用激光雷达传感器和惯性导航仪(IMU)作为主要输入信息来进行定位与建图。基于上述背景,本文对基于激光传感器的移动机器人导航系统展开研究,主要工作如下:首先,对移动机器人导航系统中环境信息进行数据采集与表达。针对不同的传感器类型,采用不同的方式进行数据采集,并对IMU采集到的数据进行姿态解算和坐标系转换,同时说明了SLAM系统中对于环境信息数据的不同表达方法以及其优缺点。其次,针对移动机器人SLAM问题,根据SLAM算法中对于移动机器人状态估计方法的不同,对基于概率模型SLAM算法和基于非概率模型的SLAM算法的工作原理进行理论推导,并在小型实际环境下对基于概率模型的Gmapping SLAM和基于非概率模型的Cartographer SLAM算法在建图精度,实时性上进行对比实验。实验结果表明:Cartographer SLAM算法建图时间花费更长,但精度更高。然而,当Cartographer SLAM算法在大型场景下进行地图构建时,由于IMU数据漂移,导致局部地图构建效果质量较差,无法实现闭合回环。针对这一问题,本文使用相关扫描匹配法对Cartographer SLAM算法中位姿估计方法进行优化,消除数据漂移的影响。实验结果证明,该方法可以有效解决在大型场景下建图时IMU数据漂移导致的位姿估计问题,建图质量提升明显,当移动机器人移动到之前走过位置时地图实现闭合回环。最后,针对移动机器人基于已知周围环境信息下的路径规划问题,本文采用movebase导航包框架下的A*算法作为全局路径规划算法,动态窗口法作为局部路径规划算法来实现移动机器人的导航与避障。通过仿真实验证明,该方法能够实现移动机器人在构建好的地图中高效的完成路径规划。