مکان یابی و تولید هم زمان نقشه به معنای قرار دادن ربات متحرک در یک مکان از یک محیط ناشناخته و سپس تولید افزایشی نقشه محیط و به طور هم زمان استفاده از نقشه برای محاسبه مکان فعلی است. مسأله slam به موقعیت هایی اشاره دارد که ربات فاقد حسگرهای موقعیتی سراسری است و به جای آن از سنسورهایی نظیر اُدومتری بهره می برد. چنین سنسورهایی در طول زمان دارای خطای انباشته بوده و دست یابی به نقشه ی دقیق را به چالش می کشند. هم چنین عدم قطعیت ذاتی اندازه گیری های سنسورها، ما را به استفاده از الگوریتم های استنتاج احتمالاتی رهنمون می سازد. الگوریتم های موجود برای حل مسأله slam، به دو دسته ی پالایش و هموارسازی تقسیم می شوند. در پالایش، فقط حالت فعلی ربات در نظر گرفته شده و سایر حالت ها حذف می شوند. از این رو نقطه خطی سازی معادلات اندازه گیری مربوط به این متغیرها ثابت شده و در آینده قابل تغییر نیست. در نتیجه خطای خطی سازی به مسأله تخمین وارد شده و با ادامه این روند و افزایش خطا، تخمین به شکست می انجامد. در مقابل، رویکرد هموارسازی تمام مسیر ربات را در نظر گرفته و تنها شامل آخرین حالت ربات نیست. بنابراین خطی سازی معادلات اندازه گیری در هر زمانی قابل اجرا است. گرچه استفاده از این روش به دلیل اضافه شدن هرچه بیشتر متغیرها به مساله تخمین عجیب به نظر میرسد اما نکته مثبت این موضوع پراکندگی ذاتی ماتریس اطلاعات هموارسازی است. الگوریتم isam2 بر مبنای رویکرد هموارسازی بوده و با پیاده سازی روش ها و الگوریتم های به روز، راه حلی افزایشی، دقیقتر و کارآمد برای مسائل بهینه سازی غیرخطی پراکنده فراهم می آورد. نکته اصلی در روش های هموارسازی توجه به پراکنده بودن ماتریس اطلاعات هموارسازی است و بیش ترین بهبود زمانی حاصل می شود که با استفاده از روش های مرتب سازی مناسب، پراکندگی ماتریس در طول روند تجزیه حفظ شود. از این رو یافتن الگوریتم مرتب سازی مناسب برای رسیدن به کارایی امری ضروری به نظر می رسد. هم چنین استفاده از مدل های گرافی معادل در برخی مراحل و انجام عملیات روی آن ها به جای عملیات ماتریسی، نقش اساسی در الگوریتم isam2 ایفا کرده و موجب دست یابی سریع آن به پاسخی دقیق گردیده است. چرا که بهره گیری از این ساختار داده جدید، امکاناتی را فراهم آورده که درک آن ها در قالب ماتریس امکان پذیر نبود که از جمله آن ها می توان به مرتب سازی افزایشی و بازخطی سازی سیال اشاره کرد. در این پایان نامه پس از بررسی و فهم دقیق الگوریتم گسترده و پیچیده isam2، از طریق اجرای افزایشی و گام به گام الگوریتم مورد نظر و تحلیل نتایج به دست آمده برای مجموعه داده های مختلف و سپس پیاده سازی آن بر روی داده های به دست آمده از ربات سیّار، به بررسی کمّی و کیفی روش های مختلف مرتب سازی برای الگوریتم isam2 و امکان سنجی به کارگیری روشی جدید در آن به منظور کاهش پیچیدگی محاسباتی از طریق کمینه کردن انباشته ایجاد شده و در نتیجه افزایش سرعت اجرای الگوریتم پرداخته می شود.