XXXX科技大学机械工程学院2019-2020学年《机器人技术》课程报告移动机器人定位技术综述(室内)指导教师：XXX学生姓名：XXX班级：学号：专业：机械设计制造及其自动化目录0引言 (2)1 定位技术 (3)1.1航迹推算定位 (3)1.2地图匹配定位 (4)1.3基于信标的定位 (5)1.4基于概率方法的定位技术 (5)2结论以及展望 (7)3参考文献 (8)0引言机器人在运动过程中会碰到并解决以下三个问题：（1）我（机器人）现在何处？（2）我要往何处走？（3）我如何到达该处？其中第一个问题是其导航系统总的定位及其跟踪问题，第二、三个是导航系统的路径规划问题。
移动机器人定位技术的任务就是解决上面的第一个问题。
定位问题是移动机器人领域内一个最重要的内容。
最开始只是基于记录机器人运动的内部传感器进行航位推算，后来利用各种外部传感器，通过对环境特征的观测计算机器人相对于整个环境的位置和方向。
直到今天，形成了融合内、外部传感器的机器人定位方法。
现有的移动机器人定位传感器种类很多，主要分为两种：基于机器人内部所用的传感器，如里程计、陀螺、罗盘、摄像头、激光雷达等和基于机器人外部所用的传感器，如摄像头、激光雷达，超声波。
而大多数的移动机器人安装了不只一种用于定位的传感器。
不同的传感器组合，采用不同的定位手段，都可以被移动机器人用来定位。
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。
GPS以其卓越的性能已经成为移动机器人室外定位导航普遍采用的定位系统，但当移动机器人被放置在室内环境时，GPS是不合适的。
一方面，室内定位一般要求更高的定位精度(cm级)；另一方面，GPS定位系统对室内的覆盖效果并不好。
至今为止，还没有一种通用的室内定位系统，因此，人们研究了各种各样的室内定位方法。
本文将简单介绍自主移动机器人的室内定位方法，主要包括航迹推算定位、地图匹配定位、基于信标的定位和概率估算定位。
图0.1 移动机器人1 定位技术1.1航迹推算定位Reckoning简称DR，是一种使用最广泛的定位手段。
不需要外部传感器信息来实现对机器人位置和方向的估计，并且能够提供很高的短期定位精度。
航迹推算定位技术的关键是要能测量出移动机器人单位时间间隔走过的距离。
以及在这段时间内移动机器人航向的变化。
根据传感器的不同，主要有基于惯性传感器的航迹推算定位方法以及基于码盘的航迹推算定位方法。
利用陀螺和加速度计分别测量出旋转率和加速率，在对测量结果进行积分，从而求解出移动机器人移动的距离以及航向的变化，再根据航迹推算的基本算法，求得移动机器人的位置以及姿态，这就是基于惯性器件的航迹推算定位方法。
这种方法具有自包含优点，即无需外部参考。
然而，随时间有漂移，积分之后，任何小的常数误差都会无限增长。
因此，惯性传感器对于长时间的精确定位是不适合的。
优点：无需外部参考。
缺点：随时间有漂移，积分之后，任何小的常数误差都会无限增长。
因此，惯性传感器对于长时间的精确定位是不适合的。
图1.1 航迹推演算法的原理其推导到一般方程：x(k)=x(k−1)+S R(k−1)+S L(k−1)2∗cos(φ(k−1))y(k)=y(k−1)+S R(k−1)+S L(k−1)2∗sin(φ(k−1))φ(k)=φ(k−1)+S R(k−1)+S L(k−1)b其中：x(k),y(k),φ(k)为车辆在k时刻的位置以及方向，S R(k−1), S L(k−1)分别为车辆右轮和左轮在k-1时刻到k时刻时间间隔内所走过的距离，b为车辆的轮距。
1.2地图匹配定位基于地图匹配的机器人定位问题主要侧重分析机器人在地图上可能所处的位置的搜寻和辨别，其重点在于机器人能够感知获得所处局部环境的位置信息与已知地图中的位置环境信息相匹配。
此外，基于地图匹配的机器人定位通常需要和其他定位方法相结合进而实现定位。
基于深度视觉描述机器人所处环境的几何地图与基于卡尔曼滤、粒子滤波的扫描匹配定位方法是与概率推断方法相结合的经典代表，且有成功的应用。
在基于地图的定位技术中，地图构建是其中的一个重要的内容。
环境的描述--地图：地图是环境的模型，当前主要有拓扑结构描述地图和几何地图两种。
拓扑地图抽象度高，有以下优势：①有利于进一步的路径和任务规划;②存储和搜索空间都比较小，计算效率高;③可以使用很多现有的成熟、高效的搜索和推理算法。
缺点在于对拓扑图的使用是建立在对拓扑节点的识别匹配基础上的，在这个前提不能满足时，该方法就会失效。
几何地图可以是栅格描述的，也可以是用线段或者是多边形描述的，优点是建立容易，尽量保留了整个环境的各种信息，定位过程中也不再依赖于对环境特征的识别，但是，定位过程中搜索空间很大，如果没有较好的简化算法实现实时应用比较困难。
机器人利用对环境的感知信息对现实世界进行建模，自动地构建一个地图。
典型的地图表示方法有几何地图，拓扑地图。
几何图是获取环境的几何特征，然而拓扑图是描述了不同区域的连通性。
但是几何图和拓扑图之间的区别确是模糊不清的，因为实际上所有的拓扑方法都依赖于几何信息。
几何图有更高的解读度的同时带来了较大的计算量。
基于构造地图的机器人定位过程可分成三个阶段：位姿预测、地图匹配、位姿更新。
位姿预测应用里程计模型给出机器人的初始位姿，为地图匹配提供一种先验环境特征信息。
地图匹配是寻找传感器测量的局部地图信息与全局地图间的对应关系，并用局部地图更新全局地图的过程。
最后根据地图匹配结果，应用相关的定位算法完成对机器人当前的定位，其过程如图1.2所示。
图1.2 机器人的位姿估计过程1.3基于信标的定位信标具体是指有显著特征的，且能够被机器人上所安装传感器识别的一类物体的统称。
人为设定的路标在机器人所处的三维空间中有自己本身固定的地理位置。
因此，机器人定位的核心任务就是要可靠地、快速地辨识出路标，并计算出机器人所处地图中的实际地理位置。
实际定位精度的高低主要取决于对路标标识的准确辨识以及对环境位置信息提取的准确快速程度。
三边测量确定移动机器人的位置是基于与已知信标的距离测量结果。
在三边测量导航系统中至少要有３个发射器在已知的位置（信标）上安装，而接收机安装在移动机器人上。
GPS就是一种利用三边测量进行定位定姿的例子。
三角测量与三边测量技术的思路大致是一样的，通过测量与已知信标的角度，来进行定位。
由于工艺的提高及技术的成熟，GPS已经普遍的应用于移动机器人的定位系统中。
1.4基于概率方法的定位技术在定位过程中，存在很多不确定性因素。
首先机器人本身具有不确定性：如里程计误差累积和传感器噪声数据。
其次机器人所处环境很多也是不可预知的。
由于这些不确定性因素，使定位变得更加困难因此近年来，越来越多的研究者把概率理论应用到移动机器人定位中。
这些研究理论的基础是贝叶斯滤波BF (BayesianFilter）是概率定位方法的理论基础，BF用传感器测量数据去估计一个动态系统的未知状态，其核心思想就是：以当前为止所收集的数据为条件，递归估计状态空间后验概率密度。
为了实现BF，还需要详细定义感知模型p (o t|xt) 和运动模型p (x t|x t−1,z t−1)，以及合理表示置信度Bel(x t)。
由于对置信度Bel(x t)的表示方式不同，产生了许多不同的概率定位方法，下面对它们进行简要的总结和比较。
（1）EKF定位方法。
卡尔曼滤波器是应用最为广泛的贝叶斯滤波器。
从本质上讲，卡尔曼滤波器是一种有噪声线性动态系统状态预估的递归算法，它是一个不断地预测与校正的过程。
然而，许多动态系统和传感器模型是非线性的，KF是不能处理的。
对于非线性估计问题，必须将卡尔曼滤波器进行扩展，将其输入方程和输出方程进行线性化，而后进行估计，即扩展卡尔曼滤波（EKF）。
Roumeliotis 等利用卡尔曼滤波器，采用激光传感器探测路标，可以很好地实现机器人在工厂环境中的自定位与导航。
Simon J.Julier等提出了无迹卡尔曼滤波器UKF （Unscented Kalman Filter），与EKF不同的是，UKF没有直接逼近非线性系统的状态过程以及观测模型，利用了真实的非线性模型。
UKF方法在精度以及鲁棒性方面都好于EKF，同时其计算量增加不大。
（2）Markov定位方法。
基于马尔可夫的定位方法的实现形式可分为两类，一类是基于拓扑地图的。
另一类是基于栅格几何地图的马尔可夫定位方法，Fox等利用基于网格的方法成功地实现了马尔可夫定位算法，使得机器人可以在动态环境中可靠地进行自定位以及避障等。
该方法与后来的蒙特卡罗方法在两台博物馆导游机器人上得到应用。
该方法的缺陷是计算负担过重，并且状态空间的分辨率和大小需要预先设定，要求提供机器人位置概率栅格的存储空间，每当新观测数据读入时，都需要不断更新，计算复杂度随状态空间维数指数级增长，因此，很难应用到高维状态空间。
（3）多假设定位。
多假设跟踪方法可以克服卡尔曼滤波器只能表征单峰概率分布的缺点。
Patric Jensfelt等提出的MHT（Multi Hypothesis Tracking）方法就是用混和高斯分布表示概率分布的，即：Bel(X l)=∑w t i N t(x i;u t i,Σt i)MHT方法中的每个高斯假设都是一个独立的置信度(Sub-belief)，它利用卡尔曼滤波器(EKF或UKF)进行跟踪。
这种方法根据每个假设预测观测值的准确度来决定每个假设的权重值w t i。
因为多假设跟踪方法可以表示多峰值的概率分布。
因此，它可以处理多峰值概率分布，能够实现全局定位。
（4）基于粒子滤波的定位方法。
粒子PF（ParticleFilter滤波，称序列蒙特卡罗，是从上世纪90年代中后期发展起来的一种新的滤波算法，其基本思想是用随机样本来描述概率分布。
Dallert等将粒子滤波和移动机器人运动和感知的概率模型相结合，提出了移动机器人蒙特卡罗定位MCL（Monte Carlo Localization）的思想。
其基本思想是用一组滤波器来估计机器人的可能位置（处于该位置的概率），每个滤波器对应一个位置，利用观测对每个滤波器进行加权处理，从而使最有可能的位置的概率越来越高。
Fox等具体描述了MCL并与其它算法进行比较。
同时针对MCL的不足提出了各种各样的改进方法。
卡尔曼滤波方法是一种高效、高精度的局部定位方法。
非常适合位姿跟踪系统。
但是约束条件太多，只能表示单值的概率分布无法解决全局定位和机器人诱拐问题。
马尔可夫方法非常适合全局定位，主要缺点是有很多的概率值要去处理，同时定位精度不高。
多假设跟踪MHL能有效解决全局地位的多峰值概率密度估计问题。
由于依赖于卡尔曼滤波的线性假设，实现性较差。
粒子滤波（蒙特卡洛）可以处理多峰分布问题，精度比马尔可夫算法高，可以很好的解决全局定位问题和机器人诱拐问题。