随着传感技术、智能技术和计算技术的不断发展，智能移动机器人在未来消费和生活中的应用前景越来越广阔。为了实现这些应用，移动机器人的定位技术显得尤为重要。本文总结了目前移动机器人主要采用的五种定位技术。

移动机器人超声波导航定位技术

超声波导航定位的工作原理与激光和红外相似。通常由超声波传感器的发射探头发射超声波，超声波在介质中遇到障碍物后返回到接收装置。通过接收自身发射的超声波反射信号，根据超声波发出及回波接收时间差及传播速度，计算出传播距离S，公式为：S = Tv/2，其中T表示超声波发射和接收的时间差，v表示超声波在介质中的传播速度。

尽管超声波传感器成本较低、采集信息速度快且分辨率高，但由于其自身的局限性，如镜面反射和有限的波束角，获取周围环境信息时会遇到一些困难。因此，通常会采用多传感器组成的超声波传感系统，建立相应的环境模型，并通过串行通信将传感器采集到的信息传递给移动机器人的控制系统，控制系统再根据采集的信号和建立的数学模型采取一定的算法进行数据处理，从而获得机器人的位置信息。

移动机器人视觉导航定位技术

视觉导航定位系统主要包括摄像机（或CCD图像传感器）、视频信号数字化设备、基于DSP的快速信号处理器、计算机及其外设等。目前，很多机器人系统采用CCD图像传感器，这种传感器的基本元件是一行硅成像元素，在一个衬底上配置光敏元件和电荷转移器件，通过电荷的依次转移，将多个像素的视频信号分时、顺序地提取出来，例如面阵CCD传感器采集的图像分辨率可以从32×32到1024×1024像素。

视觉导航定位系统的工作原理是对机器人周边的环境进行光学处理，首先用摄像头采集图像信息，将采集的信息压缩，然后将其反馈到一个由神经网络和统计学方法构成的学习子系统，再由这个子系统将采集到的图像信息与机器人的实际位置联系起来，从而实现机器人的自主导航定位功能。

GPS全球定位系统

在智能机器人的导航定位技术中，通常采用伪距差分动态定位法，通过基准接收机和动态接收机共同观测4颗GPS卫星，按照一定的算法即可求出机器人的三维位置坐标。这种方法可以消除星钟误差，显著提高动态定位精度。然而，由于移动GPS接收机的定位精度受到卫星信号状况和道路环境的影响，同时还会受到时钟误差、传播误差、接收机噪声等多种因素的影响，单纯应用GPS导航存在定位精度较低、可靠性不高的问题。因此，在机器人的导航应用中通常还辅以磁罗盘、光码盘和GPS的数据进行导航。此外，GPS导航系统也不适合用于室内或水下机器人的导航，尤其是在需要高精度定位的机器人系统中。

移动机器人光反射导航定位技术

典型的光反射导航定位方法主要应用激光或红外传感器来测距。激光和红外都是利用光反射技术来进行导航定位的。激光全局定位系统一般由激光器旋转机构、反射镜、光电接收装置和数据采集与传输装置等部分组成。

工作时，激光通过旋转镜面机构向外发射，当扫描到由后向反射器构成的合作路标时，反射光经光电接收器件处理作为检测信号，启动数据采集程序读取旋转机构的码盘数据（目标的测量角度值），然后通过通信传递到上位机进行数据处理。根据已知路标的坐标和检测到的信息，就可以计算出传感器当前在路标坐标系下的位置和方向，从而达到进一步导航定位的目的。

激光测距具有光束窄、平行性好、散射小、测距方向分辨率高等优点，但也容易受到环境因素的干扰。因此，采用激光测距时如何对采集的信号进行去噪是一个较大的难题。此外，激光测距还存在盲区，所以单靠激光进行导航定位实现起来较为困难，在工业应用中，通常还是在特定范围内的工业现场检测，如检测管道裂缝等场合使用较多。

红外传感技术

红外传感技术常用于多关节机器人避障系统中，用来构成大面积机器人“敏感皮肤”，覆盖在机器人手臂表面，可以检测机器人手臂运行过程中遇到的各种物体。典型的红外传感器包括一个可以发射红外光的固态发光二极管和一个用作接收器的固态光敏二极管。由红外发光管发射经过调制的信号，红外光敏管接收目标物反射的红外调制信号，环境红外光干扰的消除由信号调制和专用红外滤光片保证。

设输入信号Vo代表反射光强度的电压输入，则Vo是探头至工件间距离的函数：Vo = f(x, p)，其中p表示工件反射系数，与目标物表面颜色、粗糙度有关。x表示探头至工件间的距离。当工件为p值相同的同类目标物时，x和Vo一一对应。x可以通过对各种目标物的接近测量实验数据进行插值得到。这样，通过红外传感器就可以测出机器人距离目标物体的位置，进而通过其他的信息处理方法也可以对移动机器人进行导航定位。

尽管红外传感定位具有灵敏度高、结构简单、成本低等优点，但由于它们角度分辨率高而距离分辨率低，因此在移动机器人中，常用作接近觉传感器，探测临近或突发运动障碍，便于机器人紧急停障。

SLAM技术

在服务机器人领域，SLAM技术已成为一项关键的技术。SLAM技术是指机器人在未知环境中，完成定位、建图、路径规划的整套流程。对于完全未知的室内环境，配备激光雷达等核心传感器后，SLAM技术可以帮助机器人构建室内环境图，实现自主行走。

SLAM问题可以描述为：机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和传感器数据进行自我定位，同时构建增量式地图。

SLAM技术的主要实现途径包括VSLAM、WiFi-SLAM与Lidar SLAM。

1. VSLAM（视觉SLAM）

指在室内环境下，使用摄像机、Kinect等深度相机进行导航和探索。其工作原理是对机器人周边的环境进行光学处理，先用摄像头采集图像信息，将采集的信息压缩，然后将其反馈到一个由神经网络和统计学方法构成的学习子系统，再由学习子系统将采集到的图像信息与机器人的实际位置联系起来，完成机器人的自主导航定位功能。

然而，室内的VSLAM仍处于研究阶段，尚未达到实际应用的程度。一方面，计算量大，对机器人系统的性能要求较高；另一方面，VSLAM生成的地图（多数是点云）还不能用于机器人的路径规划，需要进一步的研究和探索。

2. WiFi-SLAM

指利用智能手机中的多种传感设备进行定位，包括WiFi、GPS、陀螺仪、加速度计和磁力计，并通过机器学习和模式识别等算法将获得的数据绘制出准确的室内外地图。该技术的提供商已于2013年被苹果公司收购，苹果公司是否已经将WiFi-SLAM的技术应用于iPhone上，使所有iPhone用户相当于携带了一个绘图小机器人，这一切尚不清楚。但无疑，更精确的定位不仅有利于地图应用，还能使所有依赖地理位置的应用（LBS）更加精准。

3. Lidar SLAM

指利用激光雷达作为传感器，获取地图数据，使机器人实现同步定位与地图构建。就技术本身而言，经过多年验证，已经相当成熟，但激光雷达成本昂贵这一瓶颈问题亟待解决。

Google无人驾驶汽车正是采用了这项技术，车顶安装的激光雷达来自美国Velodyne公司，售价高达7万美元以上。这款激光雷达可以在高速旋转时向周围发射64束激光，激光碰到周围物体并返回，便可计算出车体与周边物体的距离。计算机系统再根据这些数据描绘出精细的3D地形图，然后与高分辨率地图相结合，生成不同的数据模型供车载计算机系统使用。激光雷达占去了整车成本的一半，这也是Google无人车迟迟无法量产的原因之一。

激光雷达具有指向性强的特点，使得导航的精度得到有效保障，能很好地适应室内环境。但是，Lidar SLAM在机器人室内导航领域的表现并不出色，原因就在于激光雷达的价格过于昂贵。