移动机器人的实际作业环境存在各种不确定干扰因素，其测量系统的噪声往往具有非高斯重尾分布或者参数先验信息未知等特性。在这些复杂未知环境下，传统的基于贝叶斯滤波估计技术的同时定位与地图创建（Simultaneous Localization and Mapping，简称SLAM）算法性能受到了严重影响，其定位精度、地图准确性和计算效率无法满足实际应用的需求。为了提高传统算法在水下等复杂未知环境下的估计性能，本书分别对基于高斯滤波器、粒子滤波器和概率假设密度滤波器的SLAM技术进行了改进，同时就自主式水下潜器(AutonomousUnderwater Vehicle，简称AUV)自主导航应用进行了重点研究。