移动机器人定位方法概述

张本法 孟祥萍 岳华

摘 要：介绍了当前自主移动机器人的定位方法研究现状，对相对定位和绝对定位做了概述，对绝对定位中主要的研究方法做了介绍，并对概率机器人学所采用的主要定位方法做了介绍。

关键词：移动机器人 ；相对定位；绝对定位；概率机器人学

0 引言

随着工业自动化的发展，生产加工的自动化程度越来越高。机器人技术的出现和发展使传统的工业生产面貌发生根本性的变化。移动机器人的定位是其执行其他任务的前提和基础，也是评价机器人性能的关键指标之一。

移动机器人定位是指机器人通过感知获取环境信息，经过相关的信息处理而确定自身及目标位姿的过程。自主移动机器人导航过程需要回答3个问题：“我在哪里？”，“我要去哪里？”和“我怎样到达那里？”。移动机器人定位技术就是要解决第1个问题。准确来说，移动机器人定位的目的就是确定机器人在其运动环境中的世界坐标系的坐标。

根据机器人定位过程，可分为相对定位和绝对定位。但在机器人定位过程中，单独地使用其中任何一个定位方式都不能很好地解决移动机器人的定位问题。因而，在目前的定位技术中主要是将两者结合在一起，完成对移动机器人定位。本文对相对定位技术和绝对定位技术分别进行概述。

1 移动机器人相对定位研究

移动机器人的相对定位也称作位姿跟踪。假定机器人的初始位姿，采用相邻时刻的传感器信息对机器人的位置进行跟踪估计。相对定位法分为里程计法和惯性导航法。

1.1 里程计法（Odometry）

在机器人的导航技术中，里程计法是使用最为广泛的定位方法。在移动机器人的车轮上装有光电编码器，通过对车轮转动的记录来实现对机器人的位姿跟踪。在位置跟踪中，机器人的当前位置是根据对它的以前的位置的知识而更新的，而这需要假定机器人的初始位置已知，并且机器人姿态的不确定性必须小。通过这种方式来实现机器人定位的方法也成为航位推算法。航位推算是一个累加过程，在这个逐步累加的过程中，测量值以及计算值都会累积误差，使得定位精度不断下降。因而航位推算法只适用于短时间运动的或者短距离位姿跟踪。为了限定定位的不确定性，我们在航位推算法的基础上采用一些绝对的信息。为此，我们可以将航位推算法与其他传感器信息结合进行定位。

1.2 惯性导航法（IN：Inertial Navigation）

在惯性导航法中，我们采用陀螺仪和加速度计来实现定位。使用陀螺仪测得旋转速度的值，使用加速度计测得加速度的值。机器人的位置信息可通过将测量值进行一次积分和二次积分得到。但在这个对测量值的积分操作中，会引入惯性导航信息的时间漂移，所以惯性导航法也不适合长时间的精确定位。但是，惯性导航法能够及时地在检测到出现侧向误差时立即加以校正，而这弥补里程计法最主要的缺点与不足。但是，由于高精度的陀螺仪相当昂贵的价格，会大大增加移动机器人的成本，所以还不能够广泛使用。

2 移动机器人绝对定位研究

移动机器人的绝对定位又称为全局定位。完成机器人的全局定位需要预先确定好环境模型或者通过外部传感器直接向机器人提供外界位置信息，计算机器人在全局坐标系中的位置。全局定位的主要方法有：（1）导航信标（Navigation Beacon）；（2）图形匹配（Map Matching）；（3）全球定位系统定位（Global Positioning Systems，GPS）（4）概率定位。信标定位利用人工路标或自然路标和三角原理进行定位。地图匹配定位首先利用传感器感知环境信息创建好地图，然后将当前地图与数据库中预先存储好的地图进行匹配，最后计算出机器人在全局坐标系中的位姿。GPS是用于室外移动机器人导航与定位的技术。概率定位即基于概率地图的定位，这个新的研究领域称为概率机器人学。概率机器人学的关键思想是用概率论来表示不确定性，即概率机器人学不给出当前机器人方位的一个单独的最好估计，而是将机器人方位表示为对所有可能的机器人位姿的一个概率分布。由于在许多现实应用中，概率算法胜于别的技术，因而概率机器人学理论能成功应用于机器人定位问题。在概率定位中，最重要的是马尔科夫定位和卡尔曼滤波器定位。它们不仅能够实现全局定位和局部位置跟踪，而且能够解决机器人的“绑架”问题。

2.1 马尔可夫定位（Markov Localization，ML）

马尔可夫定位中，机器人通常不知道它所处环境的确切位置，而是用一个任意概率密度函数表示机器人位置。它持有一个可能在哪里的信任度并跟踪任意概率密度函数跟踪机器人的信任度状态。信任度是指机器人在整个位置空间的概率分布。在马尔可夫定位中，地图的表示方法为栅格地图，即机器人导航环境被划分为很多的栅格。其中每个栅格的值在0～1之间，表示机器人在该栅格的信任度，所有栅格信任度之和为1。信任度值的计算是马儿可夫定位的关键。

2.2 卡尔曼滤波器定位（Kalman Filter，KF）

马儿可夫定位模型在机器人位置方面可以表示任何概率密度函数，但通用性不强并且效能很差。卡尔曼滤波器定位算法是马尔可夫定位的一个特殊情况。卡尔曼滤波器不适用任何密度函数，而是使用高斯代表机器人信任度、运动模型和测量模型。因为高斯简单地由它的均值μt和协方差σt来定义。在预测和测量阶段这两个参数更新。于是产生了与马尔可夫定位算法相比更为有效的算法。然而，卡尔曼滤波器所作的假设限制了初始信任度以及高斯的选择。因而必须以一定的近似自导机器人的初始位置。

3 结束语

综上所述，本文主要介绍了当前自主移动机器人定位方法，对相对定位和绝对定位做了概述，对以后研究自主移动机器人的定位具有较高的参考意义。

参考文献：

[1]朱莹，洪炳镕.基于CBL的双目视觉自主机器人定位[J].哈尔滨工业大学学报，2004（07）.

[2]杨晓敏，吴炜.图像特征点提取及匹配技术[J].光学精密工程，2009（09）.

[3]刘洞波.移动机器人粒子滤波定位与地图创建方法研究[D].湖南大学博士论文，2012.

[4]李群明.室内自主移动机器人定位方法综述[J].机器人ROBOT，2003（11）.

[5]S.Se， D.Lowe， J.Little. Vision-based global localization and mapping formobile robots. IEEE Transactions on Robotics.2005（21）.

[6]蔡自兴，王勇.基于角点聚类的移动机器人自然路标检测与识别[J].智能系统学报，2006（03）.

[7]冯肖维，方明伦.移动机器人自然路标提取方法[J].机器人ROBOT，2010（07）.