自主移动机器人定位策略研究综述 - 沙特国王大学学报2021

制作和主办：Elsevier沙特国王大学学报自主移动机器人定位策略研究进展Prabin KumarPanigrahi，Sukant Kishoro Bisoy计算机科学与工程系，C。诉拉曼全球大学，Bidya Nagar，Mahura，Janla，Bhubaneswar，Odisha 752054，印度阿提奇莱因福奥文章历史记录：收到2020年2021年1月18日修订2021年2月27日接受2021年3月11日网上发售保留字：移动机器人定位的概率方法满贯循序渐进的办法A B S T R A C T定位是各种自主移动机器人的核心。为了有效的导航，这些机器人需要采取有效的定位策略。本文综述了移动机器人定位系统、定位问题、定位原理和定位方法。首先，我们根据机器人的初始位置信息将定位问题分为三类。接下来，我们讨论机器人位置更新的原则。然后，讨论了移动机器人定位的关键技术，如：概率方法、自主地图构建和基于射频识别（RFID）的方案。在概率定位部分，我们讨论了马尔可夫定位和卡尔曼滤波及其扩展版本。自主地图构建关注于广泛使用的同时定位和地图构建（SLAM）方法。本节还讨论了应用SLAM定位脑控移动机器人。接下来，我们讨论了应用进化方法来估计最佳位置。RFID方案解决了有效利用RFID标签来跟踪物体和定位机器人的问题。分析了不同定位策略下的定位误差。最后，我们强调未来的研究可能性本文版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.导言60202.定位原则60203.本地化方法60213.1.概率方法60213.1.1.马尔可夫定位60223.1.2.基于卡尔曼滤波器的定位60223.1.3.渐进式方法60243.2.自治地图大厦60273.2.1.基于EKF-SLAM的方法60283.2.2.基于UKF-SLAM的方法60293.2.3.基于SLAM的脑控机器人定位60293.2.4.基于进化SLAM的方法60303.3.RFID方法60314.6035位姿误差分析*通讯作者。电子邮件地址：prabinprakash1@gmail.com（P.K. Panigrahi），sukantabisoyi@yahoo.com（S.K. Bisoy）。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2021.02.0151319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comPrabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报60205.结论和未来方向6037竞争利益声明参考文献60371. 介绍移动机器人在工业制造、医学、社会科学、农业、教育、游戏、空间研究等领域都取得了令人瞩目的成就。为了成功地进行导航，机器人需要经历不同的阶段，如：感知、定位、认知和运动控制。在感知阶段，机器人通过解释其传感器来提取有意义的数据。在定位阶段，机器人估计其当前位置在就业环境中使用的信息从外部传感器。在认知阶段，机器人计划到达目标的必要步骤。运动控制阶段通过修改其电机输出使机器人实现其期望的轨迹。在过去的十年中，定位受到了最大的研究关注（Siegwart等人，2011年）。本文的其余部分集中在定位问题和不同的战略发展定位自主机器人。基于初始位置信息，我们将定位问题分为位置跟踪、全局定位和绑架机器人问题。在位置跟踪中，机器人在导航过程中，定位算法利用机器人这可以通过持续监控机器人的路线来实现。位置跟踪利用里程计和传感器数据。然而，在大的不确定性的情况下，机器人可能不会被定位。因此，在位置跟踪中，要求机器人的位置不确定性小。此外，在位置跟踪中，机器人的初始信念（关于初始状态的移动机器人定位是指在没有初始姿态信息的情况下进行移动机器人跟踪。这就产生了另一类局部化问题：全局局部化。在这种情况下，机器人不知道它的初始位置。这意味着机器人能够在环境中全局定位自己（Negenborn，2003年）。在某些情况下，机器人有时在姿态跟踪期间在任意地点被跟踪或被绑架（绑架）到未识别的地方。这个问题出现了在被绑架的机器人问题中，机器人知道它被绑架了。因此，绑架恢复是必要的任何自主机器人。在大多数情况下，当前传感器数据被用于估计其姿态。基本上，已知数据和传感器数据之间的最佳匹配解决了重新定位的问题。自主机器人应该能够同时处理姿态监测和重新定位。它应该能够认识到这一点;它被绑架，它应该通过应用复位方法恢复其姿态。以上三个定位问题在移动机器人定位研究中值得特别根据我们的研究，位置跟踪问题主导其他两个类别（图1）。不同的作者开发了各种方法来解决这些问题。这包括概率定位策略，自动基于地图的定位，RFID为基础的方法和进化技术应用于这些优化的机器人位置估计。然而，环境的动态影响这些问题中的每一个机器人的环境可以是静态的，也可以是动态的在静态环境中，定位是相当简单的，因为机器人是唯一的移动对象。在动态环境中，定位明显更加困难，因为机器人由于其他移动物体的存在而对其位置感到困惑。自主运动控制是一个具有挑战性的因素，移动机器人在未知环境中使用。在不熟悉的区域，机器人在导航过程中学习环境地图。这种方法被称为同时定位和映射（SLAM）。在这篇综述论文中，我们分析了100多篇论文，并提出了一个全面的审查和分析不同的定位自主移动机器人的定位技术。移动机器人定位问题的分类。在第二节中，我们讨论了基本的本地化原则及其阶段。第三部分介绍了移动机器人的概率定位技术、地图自动生成技术和射频识别技术。第四节对定位过程中出现的位置和定向误差进行了分析。最后，第五部分总结了本文，指出了当前存在的问题和未来的研究方向。2. 定位原理移动机器人在已知环境中导航时，使用里程计跟踪其运动。然而，里程计不确定性使机器人对其当前位置感到困惑。 因此，机器人应该根据其环境的地图定位自己。这也导致保持位置不确定性增长无界。在定位方面，机器人利用其自身的感知传感器，如激光传感器、视觉传感器和超声波传感器，对周围环境进行观测。传感器的信息可以与机器人的测距相结合，以定位机器人。基本上，即使有全球定位传感器（GPS），机器人Fig. 1. 各类移动机器人定位问题的百分比。Prabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报60212第64页第75页第1页22BX22B42不能直接测量出精确的位置。机器人只能提取其传感器数据，以获得有关最佳估计的知识Ds¼DsrDslð5Þ关于它的位置。机器人机器人位置更新的一般过程● 预测/动作更新● 感知/测量/校正更新。关 于 机 器 人 配 置 的 信 念 通 常 表 示 为 概 率 密 度 函 数 （ PDF ）（Siegwart等人，2011年）。在预测更新期间，机器人利用其本体感受传感器（例如，车轮/电机传感器、加速度传感器）来估计可以注意到，实验系统是离散的，并且采样间隔Di是固定的。这里，（Dx;Dy;Dh）表示机器人间隔;Dsr是右轮行驶的距离。Dst是左轮行驶的距离更新后的位置p0可以计算为：它的位置。然而，由于里程误差，2x032Dx32x32Dx32x3二维余弦hDh3机器人配置增加（图 2（a））。初始位置x0p01/464y0751/4p1/64Dy751/64y571/64Dy751/64y751/64Dssin. hDh75是已知的，因此PDF是狄拉克δ函数。当机器人导航，由于里程误差，不确定性增加h0DhhDhDh并且随着时间的推移而积累。机器人使用其机载外感受传感器校正估计位置（预测阶段的结果），tion 更新 相位机器人使用测距仪计算其用方程代替Dh和Ds（4）和（5）分别，我们有，2 32DsrrDsl cos.hDsr-Dsl3当前距离右墙d，并计算位置p0¼64y756Dsrdsl sin.hDsr-Dsl7-ð6Þx02：此位置与当前位置冲突x2估计值在预测阶段。测量更新将新位置校正为x0 02。 因此，不确定性缩小（实线）（图）。 2（b））。下面我们讨论更新机器人估计位置的数学分析。我们可以将位置定义为：2x3H差动驱动器的当前位置可以通过将增量行程距离（Dx;Dy;Dh）相加而从其初始位置信息估计，其中，Dx¼Dscos.hDh2DyDssin.hDh32 2bhDs rDslB其中，b是差动驱动机器人的轮之间的距离（Siegwart等人， 2011年）。由于p的不确定性的积分误差和在增加运动期间发生的运动误差（Dsr;DSL），位置误差随时间增长。3. 本地化方法在本节中，我们从两个不同的角度分析移动机器人定位方法：概率方法和自主地图构建。在第一类中，我们讨论马尔可夫定位，卡尔曼滤波器（KF）和其他方法。接下来，我们讨论了SLAM方法在移动机器人定位过程中的自动地图构建。进一步分析了RFID技术在移动机器人定位中的应用。最后，我们结束了这一秒-Dh¼Dsr-Dslð4Þ通过讨论应用于上述策略的不同进化方法来提供优化的位置估计。图2. 预测和感知阶段（a）预测阶段（b）感知阶段（Siegwart等人， 2011年）。25Prabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报6022ð Þ吉吉¼--吉吉·吉3.1. 概率性方法基于概率地图的定位方法确定机器人处于特定位置的概率。测量误差影响传感器数据。因此，只能计算机器人在特定配置中的概率● 马尔可夫定位● 卡尔曼滤波定位在这两种方法中，在预测更新阶段应用全概率定理。然而，贝叶斯规则用于感知更新（Siegwart等人，2011年）。3.1.1. 马尔可夫定位马尔可夫本地化解决了三个本地化问题（在第2节中提到）在有效的方式。机器人可以从未知的位置开始定位自己。机器人可以跟踪多个可能的位置。因此，马尔可夫局部化可以从模糊的情况中恢复。然而，状态空间需要以离散的方式表示，以更新可能位置的概率。该离散表示可以是拓扑图或几何网格。映射大小的内存要求是有限的。在预测更新阶段，机器人的当前位置估计取决于先前位置和里程计输入的可用信息。机器人和本体感受数据（控制输入）UT：S最佳值xtjut;xt-1S最佳值xt-1图 3演示了马尔可夫定位的流程图。马尔可夫定位模型可以表示机器人位置上的任意3.1.2. 卡尔曼滤波定位基于卡尔曼滤波器的定位以高效和精确的方式解决了位置跟踪问题。它是一种最优的传感器融合方法，从一个初始已知的位置跟踪机器人。通常，这种局部化可以用于连续世界表示。然而，在某些情况下，机器人的不确定性太大（可能是当机器人碰撞物体时），因此不是真正的单峰。在这种情况下，定位方法卡尔曼滤波是马尔可夫定位的一种特殊情况。它不使用任意的密度函数。相反，它使用高斯来表示机器人见图4。给出了应用卡尔曼滤波器对移动机器人进行定位的原理图。第一阶段，即预测更新，将具有高斯误差的运动模型直接应用于机器人xt-1映射的离散表示中的映射：S最佳值x tttt;xt-1S最佳值xt-1在连续表示的映射中：ð7Þð8Þ其中，在感知或测量更新阶段，机器人通过将其与感知传感器输入相结合来校正其先前的位置贝叶斯规则被应用于计算机器人的新状态S最佳最大xt最大，作为其测量数据zt和先前状态S最佳最大xt最大的函数：S最好的xtgpztjxt;MS最好的xt9其中，Xt表示机器人它表示在已知机器人姿态xt和地图M的情况下观察zt的概率。概率测量模型是从无噪声测量函数h计算的，其取决于M和xt。如图2所示，机器人利用测距仪测量其与右墙的距离d（观察值）所以我才这么说。这里，M由单个特征m（墙）表示。假设机器人在一维环境中导航，并且墙壁位于坐标20处，即，m= 20时，测量函数h可计算为：h xt;M20xt。为了导出概率测量模型，将噪声项添加到测量函数，使得概率分布zt xt;M在无噪声的h xt;M处达到假设我们有高斯噪声，pzt jxt;M N h xt;M;Rt10其中N表示具有平均值的多元正态分布h∞xt;M∞和噪声协变矩阵Rt。图三. 马尔可夫定位流程图。Prabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报6023BtBt-好吧不xt-1x¼64y 75 13t-1t-122B4见图4。 基于卡尔曼滤波的移动机器人定位原理图。感知更新阶段遵循以下四个步骤：步骤1.观察步骤：从传感器数据中，机器人提取不同的特征，例如特定的传感器值、门、线等。比如说，在某个时间之后，机器人行驶到新的位置x。应用等式6，在时间t的该新位置x可以从先前估计的位置xt-1预测为2 32DsrrDsl cos.ht-1Dsr-Dsl3步骤2.测量/感知预测：xbt<$fxt-1;ut<$64yt1756DsrDsl sin.HDsr-Dsl2017ð14Þ机器人产生由其期望从其假定位置观察的特征组成的测量预测，所述假定位置来自预测步骤的结果。步骤3. 匹配：其中，-两个ht-1t-1Dsr DslB2b5在这个阶段，机器人计算从观察中提取的特征与特征（预期）Ds l：左车轮位移。Ds r右轮位移。在测量预测期间选择步骤4. 估算：为了在估计步骤中更新机器人置信状态，控制输入为ut¼DslDsr卡尔曼滤波器融合匹配信息。对于高斯分布，正态PDF可以定义为在卡尔曼滤波定位中，高斯分布由均值t和协方差t定义。在预测和测量阶段，px其中，1rp2pex p.-X-l-22R2ð11Þ参数已更新。因此，与马尔可夫局部化相比，卡尔曼滤波是非常有效的。然而，在卡尔曼滤波方法中，机器人的初始位置应该是已知的，具有一定的近似。因此，如果机器人迷路了，它就无法恢复自己的位置。这与马尔可夫局部化相反。所以x：标量随机变量。l：x的平均值。r2：x的方差。然而，如果x是k维向量，则多元正态分布（等式10）是正态分布。（12）使用。1.一、快-快！利用卡尔曼滤波器有效地解决了位置跟踪问题然而，它并没有解决全局定位和儿童绑架机器人的问题.在卡尔曼滤波理论中，假设系统是线性的，并且带有高斯噪声。然而，许多机器人系统要求系统是非线性的。这就产生了另一种定位方法，通常称为扩展卡尔曼滤波器（EKF）。扩展卡尔曼滤波是卡尔曼滤波在非线性系统中的推广pxpk2pjpPjexp-P-1x-lð12Þ在EKF中，首先对系统进行线性化，然后对系统进行卡尔曼滤波。应用。EKF表示高斯概率分布，其中，l是平均向量，并且m是对称的正向量，半定矩阵称为协方差矩阵。卡尔曼滤波器使用里程模型来估计机器人位置。假设对于差动驱动机器人，在时间t-1的最佳位置估计为2xt-13ht-1并且允许简单的参数化为协方差和均值的矩阵。Leonard和Durrant-Whyte（1992）在声纳传感器模型中使用基于EKF的方法来定位移动机器人。Schiele和Crowley（1994）基于Hough变换框架（HTF）在占用网格中应用EKF。Gutmann和Schlegel（1996）提出了一种结合扩展Cox和迭代对偶对应（IDC）算法的组合扫描匹配（CSM）算法，用于移动机器人自定位。Chen等人（2012）采用了一种基于EKF的滤波方法，该方法利用特征！Prabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报6024地图定位移动机器人。Suliman等人（2010）对KF和EKF进行了比较。仿真分析表明，与卡尔曼滤波相比，扩展卡尔曼滤波在移动机器人位置估计中有明显的优势。在移动机器人研究平台中还使用了其他概率定位技术，如无迹卡尔曼滤波器（UKF）、基于网格的定位和蒙特卡洛本地化（MCL）。像EKF一样，UKF也假设高斯分布。然而，UKF应用无迹变换来线性化运动和测量模型。相比之下，基于网格的定位和MCL不受单峰分布的限制。在网格定位中，机器人信念由直方图滤波器表示。MCL使用粒子滤波器来表示机器人信念。它使用一个子集的整个可能的位置来构建近似的信念状态的机器人。这导致跟踪和更新少量的可能位置，而不是所有可能的位置，这又降低了复杂性。不同的作者应用MCL定位移动机器人。Dellaert等人（1999 a）提出了一种基于采样表示的概率方法用于定位。Klaess等人（2012年）在3D网格地图上利用MCL和概率观测模型。在静态环境中，平均跟踪误差的特征在于距离和角度误差。在动态环境中，多个人随机行走，目标是在估计轨迹的最终位置的同时评估所建议的定位方法的频率和精度。5000个粒子的均匀分布用于全局定位。各种作者通过基于视觉跟踪系统移动机器人Krumm等人（2000年）开发了一种利用彩色立体摄像机（两套）的人员跟踪系统。在室内环境中，如客厅，所提出的系统跟踪多个人。Yan等人（2011）提出了一种基于粒子滤波（PF）的人员跟踪系统。PF接收来自视觉流的输入，例如：Sigma-Pi类网络。为了定位移动机器人，Dellaert等人（1999 b）开发了一种贝叶斯滤波方法（CONDEN-SION算法），该方法使用基于采样的密度表示。不同的作者采用基于信标的方案和射频方案来开发智能环境中的有效对象定位系统（Want等人，1992年; Shiangjini等人，2012;Bahl等人，2000; Ekkahau Inc.，2019; Ubisense Products，2019）。Want等人（1992）提出了一种可应用的有源徽章系统在办公环境中。在该系统中，每个办公室人员都佩戴一个活动徽章。此徽章或标签在15秒的持续时间内发出约（1/10）秒的独特代码。该信号由放置在集中位置的网络传感器接收。 标签负责确定个人的位置。该方案利用信标网络与脉冲宽度调制的红外信号通信，以定位智能办公环境中的用户。然而，一个主要问题是：每个人需要携带额外的设备，以允许系统定位他或她（Shiangjini等人，2012年）。Shiangjini等人（2012）提出了一种有效的方法，该方法导致放置和定向室内对象的平均误差较低。Bahl等人（2000年）提出了一种基于射频（RF）的信标方案，该方案使用雷达系统来跟踪和定位室内用户。据报道，Ekkahau Inc.（2019）;基于信标的系统嵌入WiFi技术，在机器人定位方面产生了有效的效果。其他定位 技 术 包 括 用 于 对 象 定 位 的 超 宽 带 （ UWB ） 方 法（UbisenseProducts，2019）。Yamada等（1996）使用基于声音的定位来定位物 体 通 过 声 音 。 然 而 ， 这 种 方 法 不 适用 于 非 声 音 产 生 对 象 。Ashokaraj等人（2009）开发了一种基于多传感器系统（MSS）的定位，这是一种使用区间分析的移动机器人的确定性技术。这些机器人利用超声波传感器作为传感器技术。 Georgiev和Allen（2004）使用基于GPS的方案，该方案适用于定位在城市地区使用的机器人。Burgard等人（1996）提出了一种用于移动机器人位置估计的概率网格方法。建议的方法依赖于贝叶斯方案，并适用于定位机器人，即使存在噪声的超声波传感器和占用网格地图，这是近似的环境模型。在室内尤其是办公室环境中，Simmons和Koenig（1995）采用部分可观测马尔可夫模型（POMM）来定位机器人。该策略根据环境的拓扑结构组织状态空间。然而，该模型需要预先确定网格大小。Neto等人（2009）提出了一种用于移动机器人定位和定向估计的互补滤波（CF）技术，该技术通过融合从GPS、数字罗盘和惯性测量单元（IMU）收集的数据来实现。 这导致在低实施成本和高质量的结果，机器人导航在室外环境。Rampinelli等人（2014年）提出了一种智能空间中基于TCP/IP的客户端-服务器系统，该系统本地化和控制不同类型的机器人，包括机器人轮椅。所提出的系统由11个摄像机组成，用于同步图像捕获。服务器与这些摄像机和机器人中的每一个建立连接。服务器收集各种传感器数据，处理它们并将结果发送给客户端。对于定位，建议使用多摄像机网络的校准技术。首先，机器人将校准模型传递到整个摄像机的视角范围内。接下来，所提出的校准方法使用机器人里程计和捕获的图像。这提供了同时定位机器人和校准多个相机的解决方案。Vasiljevic等人（2016）提出一种结合自适应MCL（AMCL）、迭代最近点（ICP）和离散傅立叶变换（DFT）的混合定位方法。这种混合算法在工业等实时环境中提供了亚厘米级的定位精度。AMCL算法融合激光测距与测距数据，为机器人姿态估计提供已知的协方差。接下来，ICP算法使用该结果作为初始估计。最后，ICP算法的输出被馈送到DFT技术，该DFT技术返回最终结果。Zi等人。（2015）创建了一种基于简化方法的改进定位算法。Choi等人（2012a）提出了一种有效的定位技术，以同时解决姿态监测和绑架恢复。表1给出了基本本地化方法之间的比较，表2给出了不同方法的优点和缺点。3.1.3. 进化方法不 同 的 作 者 应 用 了 进 化 方 法 ， 如 粒 子 群 优 化 （ PSO ）（Havangi，2019; Vahdat等人，2007; Huo等人，2013; Havangi等 人 ， 2010; Pinto 等 人 ， 2015;Dastjerdi 等 人 ， 2016; Mali ，2015）、遗传算法（GA）（Armingol等人，1999; Wang等人，2015; Rajurkar等人，2016），FLC和差分进化（DE）到基本的定位技术，如EKF，MCL，PF等。用于确定机器人位置。Havangi（2019）提出了一种基于PSO的定位技术，克服了基于PF的方案中存在的几个问题使用PF定位有主要问题，如退化和退化问题，这降低了其性能。所提出的方法建立了一个递归的框架跟踪机器人的位置。这通过将机器人定位转换为动态优化来实现。该方法既不需要像基于PF的方法那样的恢复相位，也不需要噪声的分布为了估计机器人的位置，在状态空间中实施随机搜索技术所提出的基于粒子群算法的方法被证明是更有效的比较标准的PF和EKF基于局部化技术。下均方根误差（RMSE）Prabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报表60256025分析现有的定位系统。参考方法应用环境仿真和实验传感器技术02 The Dogofthe Dog（1992）席勒和EKF在基于模型定位系统中的应用。KF-EKF输入室内室内走廊实验：SKIDS车辆和Oxford Robuter。配置：两个微处理器：68，000个（控制声纳数据总线）和68，020个车辆控制器。模拟：图形化。滑橇：六个静态声纳传感器。牛津机器人：八个静态声纳传感器。NA03 The Dog（1994）古特曼和占用网格。CSM室内模拟：图形化。NA03 TheDog（1996）Chen等人特征图中的EKF虚拟环境：机器人模拟：图形化（有数学证明）。NA（2012年）Suliman等人KF与EKF以圆形轨迹航行通用仿真：MATLAB。NA（二零一零年）实验：阿克曼转向基于自主Dellaert等人可能为MCL。室内移动机器人实验：RHINO（RWIB 21机器人）和MINERVA声纳传感器（1999年b）Klaess等人3D网格室内（RWIB 18机器人）。模拟：图形化。NA（2012年）Krumm等人地图基于视觉室内模拟：人跟踪系统（在客厅）。视觉传感器（彩色立体（2000年）人物跟踪系统照相机）。Yan等（2011年）Dellaert等人基于视觉的目标跟踪系统。基于视觉的MCL。室内户外实验：在起居室中进行测试，使用CLEAR 07数据集代表分心者。实验：MINERVA（RWIB 18机器人）。视觉传感器（彩色摄像头）上指向摄像机（1999年b）Want etal.（一九九二年）基于信标的方法。室内实验：由PBX客户端使用。安装在ORL。在Xerox EuroPARC、Olivetti STL、Xerox PARC、MIT媒体实验室进行测试。徽章感应器。Bahl等人（2000年）射频信标系统室内实验：在雷达测试平台上进行测试。射频读取器。Ashokaraj等人（二零零九年）基于MSS的本地化通用实验：虚拟机器人（一个机器人模型，后轮（动力）和前轮（可操纵）在2D地图中导航）。超声波传感器03 The Dog（2004）Burgard等人（一九九六年）Simmons和Koenig（1995）GPS室外（市区）实验：iRobot公司生产的声纳传感器和摄像头贝叶斯方法。室内实验：RHINO机器人。超声波传感器POMM模型室内实验：Xavier（RWI B24）机器人。激光距离传感器，碰撞传感器、声纳传感器和彩色摄像机。Neto等人（ 二零零九年）CF户外实验：先锋P3-AT机器人。IMU、GPS、数字罗盘和里程传感器Rampinelli等人（2014年）智能空间系统室内实验：先锋3 AT（P3-AT）机器人。相机Vasiljevic等（2016年）AMCL + ICP + DFT室内工业实验：LGV 1000汽车原型。激光传感器。Choi等人（2012年a）拓扑局部化室内家居实验：PIONEER 3-DX机器人。12个MA40B8声纳传感器。位置和航向（0.2）证明了该方法在任何环境下的效率都优于其他算法Vahdat等人（2007）提出了一种结合DE和PSO的混合定位方法。与标准MCL方法进行了比较，结果表明，该方法具有更快的收敛速度和更好的鲁棒性。 在Huo et al. （2013）Junfei et al. 提出了一种DEPSO算法（DE + PSO）。 第一阶段利用标准DE方法的选择和变异操作，然后用PSO更新群体最佳位置。下一阶段更新粒子的速度和位置使用粒子群算法，其次是交叉和选择DE。DEPSO算法的两个具有挑战性的准则，如全局优化（DE）和快速收敛（PSO），使DEPSO鲁棒性和强大的。在初始位置已知的情况下，比较了粒子群算法和DEPSO算法的定位精度对2000个样本的PF和DEPSO算法的应用结果表明，DEPSO算法具有更高的定位精度和稳定性Havangi et al.（2010）提出了一种有效的多群PF用于机器人定位。这种方法的主要重点是Prabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报表60266026利用粒子群算法提高粒子群算法的性能这克服了PF方案中的局部化问题 平托等人（2015）将PSO与标准EKF相结合，用于估计机器人的当前位置。EKF结合了地图匹配、位置和方向估计以及航位推算方法。这导致可靠的位置跟踪。然而，在地图匹配的高误差的情况下，所提出的定位系统应用粒子群算法重新定位机器人。这是因为，不可靠的地图匹配使机器人失踪。目前估计结果中的大地图匹配误差在这种情况下，PSO全局定位机器人。因此，在全局地图上，发布一组粒子以高置信度搜索房间以发现结果。本文提出了一种基于RPROP（Resilient Propagation）误差函数最小化的姿态估计方法该系统分析了虚拟和现实场景中的位姿误差。Dastjerdi等人（2016）开发了一种自定位方法，用于使用图像处理定位足球人形机器人。它Prabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报6027表2不同概率定位方法的比较。参考方法优点和缺点02 TheDogofthe Dog（1992）03The Dog（ 1994）EKF在基于模型定位系统中的应用。KF-EKF输入占用网格。机器人保持连续的地图接触，几乎毫不费力地在环境中滑行，占用网格还可以支持对非常小的障碍物的避障。它当跟随墙壁时，没有EKF的占用网格技术可能会错误地约束机器人的位置不确定性，导致在遇到其他特征时无法匹配。Gutmann和Schlegel（1996）CSM在执行导航时导致非常低的位置误差。Chen等人（2012年）特征图中的EKF从EKF计算的估计位置与地面实况之间的距离误差保持几乎相同的水平。所提出的算法是在一个先验映射，这可能并不总是可用的。Suliman等人（二零一零年）KF与EKF EKF的性能明显优于KF。-Dellaert等人（1999年b）可能为MCL。所提出的方法有效地定位移动机器人没有先验信息的初始位置。由于高权重样本的重复选择，所提出的系统导致多样性的损失。Klaess等人（2012年）Krumm等人（2000年）Yan等（2011年）Dellaert等人（1999年b）3D网格地图中的MCL。基于视觉的人员跟踪系统。基于视觉的目标跟踪系统。基于视觉的MCL。尤其是在拥挤的环境中进行全局定位，所提出的方法是相当准确和鲁棒的。这种方法被证明是具有挑战性的跟踪多个人在动态变化的环境。用于一个线索的特征模式，提供了一个人的鲁棒识别，是非常有效的目标检测和跟踪在复杂的条件。在动态未修改的环境中，该系统能够全局定位和本地跟踪机器人。所提出的方法没有在6自由度机器人在动态环境中进行测试。–所提出的系统只依赖于这四个线索，而不依赖于其他功能。麦克风等非视觉传感器可用于收集更多数据，以提高跟踪精度。所提出的方法没有在较少的感官输入上进行测试（例如，通过省略提供里程测量的车轮编码器）。Want etal.（一九九二年）基于信标的方法。这是一个非常有用的办公室系统，用于跟踪办公室员工。RF信号传播受到诸如以下现象的影响：吸收、衍射、漫射和反射。Ashokaraj等人（二零零九年）基于MSS的本地化所提出的方法不需要任何单独的数据除此之外，它不需要任何单独的初始化方法。03The Dog（2004）GPS-所提出的系统是非常有效的移动机器人在城市地区。● 高度的重复可能会导致混淆在匹配过程中。● 它只使用一个可见的建筑立面，即使可能存在更多。Burgard等人（一九九六年）贝叶斯方法。拟议的系统不需要任何先验信息，- 机器人的初始位置。该算法在模糊情况下具有较好的鲁棒性。Simmons和Koenig（1995）Neto等人（二零零九年）POMM模型该系统有效地处理机器人的初始位置的不确定性CF整个系统的计算复杂性的显著降低使得能够增加信号的采样频率，从而提高估计的准确性。● 动作选择逻辑进入极限循环，不停地转动机器人。● 当避障算法将机器人移动与其命令正交的显著距离时，机器人航向● 系统的性能需要根据大型车辆的实验进行分析。● 有必要对GPS高程数据进行更好的分析和处理。Rampinelli等人（2014年）智能空间系统所提出的系统是非常有效的本地化机器人轮椅。● 所提出的方法需要应用于智能空间来控制有限的机载传感器的移动机器人。● 校准算法需要用非与所有11个摄像头的视野重叠。● 此外，还应该对在线多相机校准过程进行调整。Vasiljevic等（2016年）AMCL + ICP + DFT在工业中，所提出的方法是相当具有挑战性的定位与高精度的AGV。该系统的性能需要在运动中的车辆上进行测试。Choi等人（2012年a）拓扑局部化● 网格地图匹配方法和运动模型跟踪机器人● 绑架的侦查和恢复方法是非常具有挑战性的。● 回到姿态跟踪阶段，在绑架恢复过程中假设的选择是非常合理的。Prabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报6028通过逆透视图将所获得的图像转换为从顶视图拍摄的图像然后利用粒子群算法确定机器人所提出的方法识别位置的基础上捕获的图像。机器人可以在94%的成功率和6%的失败率下进行自我定位。在这个国家，超过300 mm距离误差和15°角被认为是无法自定位。该方法利用地面线点进行自定位，精度较高通过一些点集，该方法可以识别其自身的位置。这使得它具有很强的抗噪音Mali（2015）结合了PSO和蚁群Prabin Kumar Panigrahi和Sukant Kishoro Bisoy沙特国王大学学报6029最优化算法（ACO）来估计机器人位置。PSO用于调整权重，ACO利用神经网络拓扑结构。Armingol等人（1999年）开发了一种迭代EKF程序，该程序使用信标位置的先验地图和观察到的几何信标来校正车辆的姿态将遗传算法应用于车辆最优位置的跟踪所提出的方法广泛使用超声波传感器。采用基于环境地图与传感器信息匹配的重定位方法，减小了估计定位误差和不确定性。机器人给出了5代和10代的位姿误差分析基于标准EKF的机器人定位的主要问题是确定时变误差协方差矩阵Q和RWang等人（2015）提出了GA-模糊逻辑控制器（FLC）来调整协方差矩阵。遗传算法调整模糊隶属函数，提高了模糊控制器的精度，使系统最后，将EKF、基于模糊逻辑的EKF和基于GA-FL的EKF进行了比较，证明了基于GA-FL的 EKF方法比其他两种方法具有更高的精度。此外，Rajurkar等人（2016）扩展了这一想法，并开发了一种基于模糊神经网络的计算机视觉（CV）方法，用于路径跟踪和机器人位置和方向估计。CV方法检测并定位邻域目标。在这里，控制系统基于模糊推理跟踪估计的路径，消除了繁重的计算和迭代更新。此外，GA是参与优化Neto等人（2019年）提出了基于领导者的蝙蝠算法（LBBA）方法，通过采用较少数量的微型蝙蝠作为领导者来搜索机器人的最佳位置，以寻求影响殖民地的最佳位置。利用这种方法，可以较好地处理定位歧义问题.与使用可变粒子数的AMCL算法相比，该技术的平均误差低于21%的预期公差。这里给出的平均误差是基于真实机器人的实验。这种方法处理机器人局部化中的模糊性。将该算法与传统的蝙蝠算法（BA）、粒子群算法（PF）和粒子群算法（PSO）进行了比较，并在不同的场景下进行了测试。测试结果表明，LBBA具有快速的响应。在机器人绑架事件中，该算法已经过测试，并显示在模拟以及在实际环境中的快速恢复。表3讨论了基于将进化方法应用于基本定位技术的实验3.2. 自主地图构建前面讨论的本地化策略（3.1节）需要环境地图。在大多数情况下，地图通常是手工制作的。对于自定位，机器人利用不同的地标，如人工信标，墙壁等。因此，为了获得准确的位置，环境地图包含这些地标。然而，在大型或动态变化的环境中，本地化是非常困难的。环境的配置发生变化表3移动机器人定位的进化方法。参考优化方案模拟和实验优点缺点Havangi（2019）PSO Simulation：MATLAB（2013）.（在模拟数据和真实世界数据集中进行了测试）。系统配置：3 GHz Core2DuoIntel PC处理器实验：基于GPS的4轮车辆与激光传感器和车轮编码器。● 机器人定位转换为动态优化，找到最佳的机器人姿态估计。● 它不需要噪声分布。● 所提出的系统是有效的，在一致性，准确性和计算成本。● 编码器提供不良的里程信息。● 额外的错误是generated由于车轮滑移和姿态误差。Vahdat等人（2007年）PSO和DE仿真：MATLAB 2006。·所提出的系统收敛更快，并且是鲁棒的。● 由于在演化方法中使用随机搜索算子，低信噪比产生鲁棒定位。Huo等人04 The Dog（2013）激光扫描仪LMS291该系统抑制了粒子的退化Havangi等人（二零一零年）混合方法：PSO +PF仿真该系统比非实验结果表明与标准粒子滤波算法相比，多群粒子滤波算法的定位平托等人EKF + PSO实验：工厂机器人。该方法具有准确、灵活和鲁棒性强的特点因为它实现了误差，对于虚拟环境，误差小于0.04 m和2°，而在现实场景下，误差小于0.06 m和7°。需