La navegación autónoma y la exploración del entorno de robots móviles se llevan a cabo sobre la premisa de la capacidad de percepción del entorno. La localización y mapeo simultáneos (SLAM) es el algoritmo clave para percibir y mapear un entorno en tiempo real. FastSLAM ha desempeñado un papel cada vez más significativo en el problema de SLAM. Para mejorar el rendimiento de FastSLAM, se propone un nuevo marco llamado IFastSLAM, basado en la optimización por enjambre de partículas (PSO). En este marco, se propone una estrategia de remuestreo adaptativo que utiliza el algoritmo genético para aumentar la diversidad de partículas, y los principios de la teoría diferencial fraccional y la optimización caótica se combinan en el algoritmo para mejorar el enfoque convencional de PSO. Observamos que el enfoque diferencial fraccional acelera la iteración del algoritmo y la optimización caótica evita la convergencia prematura. Se plantea una nueva idea de una partícula virtual como objetivo de optimización global para el esquema de PSO mejorado. Este enfoque es más preciso en términos de determinar el objetivo de optimización basado en la posición geométrica de la partícula, en comparación con un enfoque basado en el valor de peso máximo de la partícula. El método IFastSLAM propuesto se compara con FastSLAM convencional, PSO-FastSLAM y un algoritmo de FastSLAM genérico adaptativo (AGA-FastSLAM). La superioridad de IFastSLAM se verifica mediante simulaciones, experimentos con un conjunto de datos del mundo real y experimentos de campo.