室内自主移动机器人定位方法研究综述

定位是确定机器人在其作业环境中所处位置的过程．应用传感器感知信息实现可靠的定位是自主移动机器人最基本、也是最重要的一项功能之一．本文对室内自主移动机器人的定位技术进行了综述，提出了一种通用的控制结构，对其中与定位相关的地图结构、位姿估计方法进行了详细介绍，指出了地图构造、全局定位、数据关联、同步定位与地图构造、信息融合及协同定位所应用的方法及存在的问题．     

自主移动机器人室内定位方法研究综述

自主移动机器人的室内定位作为机器人研究领域中最基本的问题已被广泛研究。根据定位技术和传感器的不同,将室内定位方法分为航迹推算定位、地图匹配定位和基于信标定位三类。详细介绍了超声波网络定位系统和基于无线射频识别（RFID）的定位方法。对几种基于概率的定位算法做了分析和对比,并对自主移动机器人室内定位方法的研究方向做了展望。     

自主移动机器人的室内结构化环境地图创建

定位与地图创建是自主移动机器人领域研究的重要课题.本文阐述了一种以扩展卡尔曼滤波算法为主要框架,运用直接位姿控制模型描述机器人运动的算法,实现了机器人在室内结构化环境中的同时定位和地图创建.仿真与实验结果表明,里程计信息无法满足定位和创建环境地图的要求,本文算法则能够实现机器人的精确定位.并生成满足一致性要求的地图.     

移动机器人编队视觉定位方法研究

该文提出一种基于视觉的移动机器人编队定位方法。该方法采用基于纹理的图象对机器人进行标识,然后使用纹理中的特征点对机器人的位置和姿态进行估计,使用最小二乘算法使估计结果误差最小。实验证明该方法能够有效地对编队的移动机器人定位,同时对环境干扰具有鲁棒性。     

基于光电鼠标的移动机器人室内定位方法

介绍通常的定位方法和背景知识后，提出了使用光电鼠标来提高航迹推算法法精度的方法。仿真显示该方法比传统的航迹推算法法要好。     

自主式移动机器人的无线控制实现

如何提高自主式移动机器人对各种传感器信息的处理能力是一个关键技术问题。在机器人自身有限负重能力情况下,通过无线通信方式,借助外部计算机和工站处理传感器信息成为一种可行方案。以一种轮式移动机器人作为控制平台,成功地实现了自主式移动机器人的无线控制。     

基于神经网络的移动机器人室内定位方法

为了提高餐厅、商场、医院等半结构化室内环境中移动机器人定位的实时性与准确度,提出了一种基于神经网络融合编码器、激光雷达的定位方法。利用采集到的编码器数据通过航迹推算得到机器人的里程计数据,然后通过卡尔曼预测和拉格朗日插值的方式对里程计数据、激光雷达的数据进行数据增强,将增强后的数据作为一个三层神经网络的输入特征。最后,在Turtlebot机器人实验平台上进行实验。实验结果表明,所提定位方法提高了定位精度,具有良好的实时性,并且能有效应对环境干扰。     

基于激光雷达的移动机器人位姿估计方法综述

位姿估计是移动机器人研究的一个核心问题．本文综述了国内外基于激光雷达的移 动机器人位姿估计的最新进展，并对各种方法进行分类、比较和分析，从中归纳出应用中值 得注意的问题和发展趋势．     

基于超宽带的移动机器人室内定位系统设计

针对目前移动机器人室内定位方式灵活性差和精度不高的问题,设计了一种基于超宽带(UWB)的高精度移动机器人室内定位系统。系统以UWB射频模块组成无线传感器网络,包括基站(Anchor)和安装在移动机器人顶端的标签(Tag)。采用非对称双边双向测距技术(ADS-TWR)获得标签到各基站之间的距离信息,无需基站与标签、基站与基站之间的时钟同步。距离信息通过Wi Fi由基站传输到上位机,利用卡尔曼滤波算法对距离信息进行优化后进行定位。测试结果表明,该系统具有布设简单、高精度、高实时性的特点,定点定位误差在13 cm以内,动态点定位误差小于20 cm。     

自主式移动机器人系统的体系结构

本文在分析已有的几中多智能体协调模型的基础上，提出了一种用于自主式移动机器人系统的多智能体协调模型（离散）事件状态模型，用于组织协调自主式移动机器人系统中的传感器、规划、控制等智能体协调工作，确保自主式移动机器人在复杂、不断变化的环境中自主行驶，并在自主式移动机器人项目中较好地发挥了作用。     

移动机器人同时定位与地图创建研究进展

对移动机器人的同时定位与地图创建􀁫(Simultaneous Localization and Mapping)的最新研究进行了综述.指出SLAM 面临的问题,介绍了SLAM的基本实现方法.通过对各种改进的SLAM实现方法的性能对比,详尽地分析了如何降低SLAM的复杂度、提高SLAM的鲁棒性等关键技术问题,同时对多机器人协作的SLAM也进行了论述.探讨了SLAM的研究与发展方向.􀁱     

基于超声波的移动机器人的同时定位和地图构建

为了在移动机器人SLAM过程中得到更精确的定位和二维地图构建,对一种利用超声波传感器信息进行栅格地图创建的方法提出了改进;该方法利用Bayes法则对信息进行融合,利用粒子滤波和航位推算相结合的方法对机器人进行精确定位和创建地图,然后利用移动的栅格法进行地图的全局更新,提出了一种地图的校验方法;通过实验,在粒子数为200的情况下分别得到了算法改进前和改进后的地图构建结果,通过比较,证明了使用该算法进行移动机器人定位和地图构建更加精确。     

移动机器人的一种室内自然路标定位法

实时定位是移动机器人导航的一个基本前提。该文提出了一种利用墙棱边及墙平面(EdgeandPlane,EP)路标或者广义EP路标进行定位的方法,使用了异步数据融合的方法对移动机器人进行了定位。仅利用传感器对墙平面的距离数据进行测量就实现了机器人的定位。仿真显示这些方法能减少机器人的定位时间,提高对传感器测量数据的利用效率。     

室内移动机器人的视觉定位方法研究

针对地图未知的室内环境下的定位问题,提出了一种基于特征跟踪的视觉里程计方法．利用单目摄像头提取和跟踪环境特征点集,进而根据观测模型利用扩展卡尔曼滤波算法估算出机器人的位姿．办公室环境中的定位实验证明了方法的有效性．     

一种鲁棒的室内移动机器人定位方法

该文意图解决移动机器人在室内环境中定位难的问题,提出了卡尔曼滤波定位方法。移动机器人依靠自身配置的声纳传感器感知环境,并提取环境中的墙角作为几何特征,通过预测值与实际观测值之间匹配和修正的循环过程实现了该定位算法,实验结果表明该方法是鲁棒的。     

Localization of an Autonomous Mobile Robot Based on Ultrasonic Sensory Information

Based on ultrasonic sensory information, an approach is proposed for localization of autonomous mobile robot (AMRs). In the proposed method, it will be proven that the combination of three ultrasonic transmitters and two receivers can determine both the position and the orientation of an AMR with respect to a reference frame uniquely. In this manner, since only ultrasonic sensors are used, the proposed method will be highly cost-effective and easy to implement. To show the validity and feasibility of the proposed method, the hardware configuration and a series of experiments will be given for illustration.     

一种新颖的基于两个特征点的室内移动机器人定位方法

提出了一种新颖的基于两个特征点的室内移动机器人定位方法。与已有的几何位姿估计方法或航标匹配方法不同,该方法不需要人工航标,也不需要准确的环境地图,只需一幅由传统的CCD相机拍摄的图像。从机器人接近的目标上选取相对于地面等高的两个点作为两个特征点。基于这两点建立一个目标坐标系。在相机平视且这两个特征点与相机投影中心相对于地面不是恰好等高的条件下,就可以根据这两个特征点在图像中的坐标确定机器人相对于目标坐标系的位置和运动方向。该方法非常灵活,适用范围广,可以大大简化机器人定位问题。试验结果表明这一新的方法不仅简单灵活而且具有很高的定位精度。     

Monocular Vision for Mobile Robot Localization and Autonomous Navigation

This paper presents a new real-time localization system for a mobile robot. We show that autonomous navigation is possible in outdoor situation with the use of a single camera and natural landmarks. To do that, we use a three step approach. In a learning step, the robot is manually guided on a path and a video sequence is recorded with a front looking camera. Then a structure from motion algorithm is used to build a 3D map from this learning sequence. Finally in the navigation step, the robot uses this map to compute its localization in real-time and it follows the learning path or a slightly different path if desired. The vision algorithms used for map building and localization are first detailed. Then a large part of the paper is dedicated to the experimental evaluation of the accuracy and robustness of our algorithms based on experimental data collected during two years in various environments.