一直以來就是直接通過高博的視覺slam十四講接觸的移動機器人定位方法，這當然是直接通過視覺來進行定位、建圖。但心中一直存在疑問，對傳統的定位方法沒有一個系統的認識，又由於自己想要研究單目+IMU聯合定位，因此想學習記錄一下傳統定位方法。
移動機器人最初是通過自身攜帶的內部傳感器基於航跡推算的方法進行定位，后來進一步發展到通過各種外部傳感器對環境特征進行觀測從而計算出移動機器人相對於整個環境的位姿。目前為止，形成了基於多傳感器信息融合的定位方法。
現有移動機器人定位方法主要分為三類相對定位方法、絕對定位方法和組合定位方法。
-
相對定位
相對定位方法的基本原理是在移動機器人位姿初始值給定的前提下，基於內部傳感器信息計算出每一時刻位姿相對於上一時刻位姿的距離以及方向角的變化，從而實現位姿的實時估計，該方法也常被人們稱作航跡推算方法。
相對定位方法常用的內部傳感器主要包括里程計、慣性傳感器IMU。因此，按照傳感器的不同，相對定位方法又可分為基於里程計的航跡推算方法和基於慣性傳感器的航位推算方法。
IMU慣性傳感器內部一般含有三軸的加速度計和三軸的陀螺儀。其中，加速度計用於輸出物體在載體坐標系統中的三個坐標軸方向上的加速度信息，而陀螺儀用於輸出載體相對於導航坐標系的三個坐標軸方向上的角速度信息，很據載體在三維空間中的角速度以及加速度值解算出對應的姿態。基於慣性傳感器的定位方法主要優點是不依賴外部條件就可實現移動機器人定位，短時精度比較好。缺點就是隨着時間的增長會有飄移，比較小的常數誤差被積分后都會無限變大。可見基於慣性傳感器的航跡推算方法不能滿足移動機器人長距離精確定位要求。
里程計的航跡推算定位方法主要基於光電編碼器在采樣周期內脈沖的變化量計算出車輪相對於地面移動的距離和方向角的變化量，從而推算出移動機器人位姿的相對變化。假設一個機器人在其輪子或腿關節處配備有光電編碼器等設備，當它向前移動一段時間后，想要知道大致的移動距離，測量光電編碼器脈沖數目，可以得出輪子旋轉的圈數，如果知道了輪子的周長，便可以計算出機器人移動的距離。同樣里程計航跡推算定位方法也是存在累積誤差，不適合機器人長距離內的定位。
- 絕對定位
絕對定位是指確定移動機器人在全局參考框架下的位姿信息。比如基於信標的定位、基於地圖匹配方法的定位以及基於ＧＰＳ的定位都屬於絕對定位方法的范疇。其中，基於ＧＰＳ的定位方法是移動機器人比較常用的定位方法。由於絕對定位方法不依賴於時間和初始位姿，因此，不但沒有累積誤差問題，而且還具有精度高、可靠性強等特點。同時基於超聲波定位、激光定位以及視覺定位都屬於絕對定位，如偽衛星、gps One、Wi-Fi、射頻標簽（RFID）、藍牙（Bluetooth，BT）、超寬帶（Ultra Wide Band，UWB）、地磁、紅外定位、光跟蹤定位、計算機視覺定位等，也屬於絕對定位范圍。
- 組合定位
相對定位方法能夠根據移動機器人的運動學模型對每一時刻的機器人位姿進行迭代遞推，不依賴於外界環境信息，短時精度較好。但該類定位方法難以避免地存在誤差累積問題；絕對定位方法雖然具有精度商、可靠性強等優點，但該類方法同樣具有自身的局限性，比如基於導航信標的定位方法只適用於設有導航信標的環境中，方法本身局限性較大；基於ＧＰＳ的定位方法依賴於衛星信號的可獲得性及信號質量，在室外空曠的環境下，定位精度可達到很高，但在室內由於信號無法獲得而失效。在城市道路環境下，由於建築物的遮擋，或信號反射造成的多徑效應，道路兩旁的樹木的遮擋等原因，定位巧度也會受到很大影響。為了實現以上兩種定位方法的優勢互補，形成了基於航位推算的相對定位信息和絕對定位信息相結合的組合定位方法。
根據不同定位方法應用的數理基礎，移動機器人定位方法又可分為基於貝葉斯濾波理論的定位方法、基於模糊理論的定位方法和基於灰色定性理論的定位方法。其中，基於貝葉斯巧波理論的定位方法主要包括基於ＫＦ及其改進算法的定位和基於馬爾可夫理論的定位，基於模糊理論的方法又可分為基於模糊理論的路標定位方法、基於模糊卡爾曼濾波的定位方法和基於模糊神經網絡的定位方法。
為了克服里程計的建模誤差和隨機的輪子滑動等影響針對系統建模和傳感器測量過程中的各種不確定性，提出了各種基於概率統計的定位方法。
一類就是基於濾波估計的定位方法。通過對系統方程進行線性化，運用卡爾曼濾波及其變種技術對機器人的位置進行濾波估計，比如：有 Extended Kalman Filter（EKF），Kalman Filter (KF)，Unscented Kalman Filter (UKF)定位方法。
另一類是基於貝葉斯推理的定位方法。運用柵格和粒子來描述機器人位置空間，並遞推計算在狀態空間上的概率分布，比如Markov Localization (MKV)，Monte Carlo Localization (MCL)定位方法。
通過把相對定位和絕對定位方法進行組合，最簡單的方法就是對不同的傳感器數據進行加權平均，這種方法的可靠性較低，局限性大。基於統計學的方法有Ｋａｌｍａｎ濾波、Ｍａｒｋｏｖ方法和Ｍｏｎｔｅ Ｃａｒｌｏ方法等。
之后有時間會對這三種融合方法進行學習，再進一步了解傳統定位方法的精髓。
本文摘錄：吳顯. 基於多傳感器信息融合的移動機器人定位方法研究[D].北京交通大學,2016.