對于移動機器人，定位技術是保證移動機器人軌跡/運動作業(yè)的前提技術，特別是跟蹤作業(yè)的基礎。

與自動駕駛車輛定位不同，小型移動機器人更需要的是定位精度。根據(jù)作業(yè)環(huán)境，小型移動機器人定位技術可以視為室內定位系統(tǒng)（Indoor Location System, ILS）。小型移動機器人定位技術不同于機械加工領域的定位技術，從關鍵詞上可以明顯區(qū)別“Location/Localization”與“Position/Positioning”。Localization 指的是機器人在作業(yè)空間內的自身的位置關系問題，position 是會指向更精密的點問題。

本文的主要內容包括：室內定位測量原理（物理屬性）[1]，室內定位技術，定位模型方法，定位算法，定位系統(tǒng)評價因子，基于慣導的定位系統(tǒng)，基于無線電網(wǎng)絡的定位技術，集群定位算法。

室內定位測量原理

無線電頻譜與電磁波

（1）個人或區(qū)域互聯(lián)網(wǎng)，包括IEEE 802.11, Ultra-Wideband (UWB)，ZigBee, 或者 Bluetooth。

采指紋基定位方法

鄰近技術

貝葉斯統(tǒng)計匹配

極大似然估計

關聯(lián)判決（Correlation discriminant kernel selection）

神經網(wǎng)絡

非采指紋基定位方法

幾何學

（2）區(qū)域廣播網(wǎng)絡，包括定位目的的網(wǎng)絡，例如GPS/GNSS，以及具有定位功能多的網(wǎng)絡，例如智能手機網(wǎng)絡、電視廣播信號。

電視信號

胞元網(wǎng)絡（智能手機）

（3）?RFID 標簽 （4）雷達 光子能場 （1）圖像分析，自然特征提取與識別（場景圖片）

移動相機系統(tǒng)

固定相機系統(tǒng)

（2）圖像分析與特征點標記（二維碼定位）

此外，還有聲波、機械能（慣性/接觸）、地球磁場、大氣壓。

無線電室內定位系統(tǒng)分類[2]

室內定位技術

室內定位服務系統(tǒng)Indoor Location Based Services (ILBS)可以簡單地分為三類[3]：

1、網(wǎng)絡系統(tǒng)：基于無線網(wǎng)絡

2、慣性系統(tǒng)：機載慣導系統(tǒng)預估定位

3、混合系統(tǒng)：融合無線網(wǎng)絡與慣性系統(tǒng)的混合系統(tǒng)

RSS-IMU 混合系統(tǒng)

基于地圖的混合系統(tǒng)

基于智能手機的混合系統(tǒng)

室內定位模擬方法分類

1、angle of arrival(AoA) 技術：根據(jù)到達信號角度

2、time of arrival(ToA) 技術：根據(jù)到達信號時間（類似雷達測距）

3、fingerprinting 技術，即特征技術

? ?

室內定位模擬算法

1、三角定位（Triangulation），需要借助固定基站或者已知基站位置信息，GPS等無線網(wǎng)絡定位法。

2、鄰近（Proximity）， 使用具有有限的感知范圍和分析能力的傳感器，RFID。

3、場景分析（Scene analysis），利用場景畫面中的特征完成定位分析，點云和3D重構技術，機器視覺。

4、航位推算（Dead reckoning），基于先驗信息推算出運動軌跡，慣導、捷聯(lián)慣導。

定位算法

按照文獻[5]，基于靜態(tài)傳感器節(jié)點的定位技術廣泛應用于移動機器人跟蹤功能，定位算法可總結為：

1、范圍基定位（Range-based localization）

time-of-arrival (TOA) – based 定位. 聯(lián)合最小二乘估計?the Least-Square Estimate

time-difference-of-arrival (TDOA) – based 定位. 協(xié)同定位

Angle-of-arrival (AOA) – based 定位.

received signal strength (RSS) – based 定位，聯(lián)合最大似然估計Maximum likelihood estimate

MDS Based 定位，聯(lián)合奇異值分解 Singular Value Decomposition (SVD)

Channel Impulse Response Based fingerprinting 定位

2、無范圍基定位（Range-free localization）

Approximate Point in Triangle Test (APIT)

Centroid-based 定位

Monte-Carlo 定位

DV-Hop based 定位

Closer point based 定位

Based Coordinates (ABC) localization method

定位計算補償方法Implementation methods

1、機器學習方法?Machine Learning Based Methods：

least square support vector machine and Gaussian processes ,Semi-supervised Laplacian regularized least squares method and HMM based RSS-EKF (Extended Kalman Filter) method using RSS

2、集中和分布式方法Centralized and Distributed Methods

3、多傳感器數(shù)據(jù)融合方法Multi-Sensor Data Fusion Methods

4、采指紋方法Fingerprinting Based Methods

跟蹤算法分類（Broad classification of tracking methods）：

1、聚類跟蹤算法?Cluster-based tracking methods, dynamic clustering algorithm for target tracking

2、預測跟蹤算法?Prediction-based tracking methods

3、樹基跟蹤算法?Tree-based tracking methods

4、主動跟蹤算法?Activation-based tracking method

5、Mobicast基跟蹤算法?Mobicast-based tracking method

室內定位方法評價

1、精度與誤差

2、環(huán)境適應性。場景對定位系統(tǒng)測量精度影響，一個高性能框架能夠避免對重復定位差異

3、消耗：帶寬、壽命、能耗、權重與額外設備

4、基站數(shù)量

基于慣導的定位系統(tǒng)

慣性導航與定位技術可以分為兩類：

捷聯(lián)慣導系統(tǒng)Strapdown systems: 采用兩次積分預測運動

步進與航向系統(tǒng)Step and Heading Systems (SHS): 通過表示步進長度與航向的慣性定位向量預測位置

參考下圖，慣導定位系統(tǒng)通過二次積分獲得定位信息[6]

一個經典的具有定位功能的移動機器人控制系統(tǒng)架構如下圖所示，該系統(tǒng)通過無線電、里程計以及慣性測量單元實現(xiàn)自定位功能[7]。

微型慣性測量單元，包括陀螺儀、加速度計、磁偏角計、溫度和氣壓等功能，通過物理模型和誤差模型推算。

擴展卡爾曼濾波算法EKF與粒子濾波器是移動機器人群體定位中最為廣泛，尤其在RoboCup等機器人大賽[7]。

基于無線電定位系統(tǒng)

最流行的室內無線電點位技術方法為RSSI定位算法，是采用AP終端設備組件的網(wǎng)絡，通過檢測信號功率推算距離，再利用定位模型獲取定位信息，最常見的終端是ZigBee。

參考[8]

基于ZigBee組件的微型定位系統(tǒng)

集群定位系統(tǒng)

參考文獻[9][10]，集群類機器人定位技術，不僅可以依靠靜態(tài)基站進行定位，還可以利用機器人之間無線電終端輔助其它終端進行定位。

算法1 [9]

因為集群定位存在很大的噪聲干擾，因此需要對采集到的信息進行去噪處理，或者提高系統(tǒng)抗干擾能力，采用統(tǒng)計算法提高定位系統(tǒng)精度。如在文獻[10]，采用了卡爾曼濾波器對定位優(yōu)化。

文獻[10]-算法1

文獻[10]-算法2

文獻[10]-算法3

總結

本文大部分內容是根據(jù)綜述文章對現(xiàn)用的室內定位進行總結，考慮到微型運動機器人的工程成本以及計算力，本文所討論的室內定位技術并不是應用于自動駕駛的SLAM和VSLAM技術。

同時，本文提到了定位跟蹤技術，在尋跡控制中個人傾向采用視覺方向。對于粗精度的定位系統(tǒng)，可以采用基于ZigBee的RSSI定位系統(tǒng)，此外可以融合IMU單元提高系統(tǒng)定位精度。

參考文獻：

[1] Torres-Solis, J., H., T., and Chau, T., 2010, “A Review of Indoor Localization Technologies: Towards Navigational Assistance for Topographical Disorientation,”?Ambient Intelligence, F.J. Villanueva Molina, ed., InTech.

[2] Kivim?ki, T., Vuorela, T., Peltola, P., and Vanhala, J., 2014, “A Review on Device-Free Passive Indoor Positioning Methods,” International Journal of Smart Home,?8(1), pp. 71–94.

[3] Alejandro Correa, Marc Barcelo, Antoni Morell, and Jose Vicario, 2017, “A Review of Pedestrian Indoor Positioning Systems for Mass Market Applications,” Sensors,?17(8), p. 1927.

[4] Mrindoko, N. R., and Minga, D. L. M., 2016, “A Comparison Review of Indoor Positioning Techniques,”?21(1), p. 9.

[5] Kumar, S., and Hegde, R. M., “A Review of Localization and Tracking Algorithms in Wireless Sensor Networks,” p. 12.

[6] Lv, W., Kang, Y., and Qin, J., 2019, “Indoor Localization for Skid-Steering Mobile Robot by Fusing Encoder, Gyroscope, and Magnetometer,” IEEE Transactions on Systems, Man, and Cybernetics: Systems,?49(6), pp. 1241–1253.

[7] Li, D., Chen, Q., and Zeng, Z., 2018, “Self-Localization Algorithm of Mobile Robot Based on Unscented Particle Filter,”?2018 37th Chinese Control Conference (CCC), IEEE, Wuhan, pp. 5459–5464.

[8] Hernández, N., Alonso, J. M., and Oca?a, M., 2017, “Fuzzy Classifier Ensembles for Hierarchical WiFi-Based Semantic Indoor Localization,” Expert Systems with Applications,?90, pp. 394–404.

[9] Safavi, S., and Khan, U. A., 2017, “An Opportunistic Linear–Convex Algorithm for Localization in Mobile Robot Networks,” IEEE Transactions on Robotics,?33(4), pp. 875–888.

[10] Sun, Q., Tian, Y., and Diao, M., 2018, “Cooperative Localization Algorithm Based on Hybrid Topology Architecture for Multiple Mobile Robot System,” IEEE Internet of Things Journal,?5(6), pp. 4753–4763.

編輯：黃飛

?