传统定位方法简介--------里程计、IMU惯性传感器以及光电编码器等

        一直以来就是直接通过高博的视觉slam十四讲接触的移动机器人定位方法，这当然是直接通过视觉来进行定位、建图。但心中一直存在疑问，对传统的定位方法没有一个系统的认识，又由于自己想要研究单目+IMU联合定位，因此想学习记录一下传统定位方法。

    移动机器人最初是通过自身携带的内部传感器基于航迹推算的方法进行定位，后来进一步发展到通过各种外部传感器对环境特征进行观测从而计算出移动机器人相对于整个环境的位姿。目前为止，形成了基于多传感器信息融合的定位方法。

    现有移动机器人定位方法主要分为三类相对定位方法、绝对定位方法和组合定位方法。

• 相对定位

相对定位方法的基本原理是在移动机器人位姿初始值给定的前提下，基于内部传感器信息计算出每一时刻位姿相对于上一时刻位姿的距离以及方向角的变化，从而实现位姿的实时估计，该方法也常被人们称作航迹推算方法。

相对定位方法常用的内部传感器主要包括里程计、惯性传感器IMU。因此，按照传感器的不同，相对定位方法又可分为基于里程计的航迹推算方法和基于惯性传感器的航位推算方法。

IMU惯性传感器内部一般含有三轴的加速度计和三轴的陀螺仪。其中，加速度计用于输出物体在载体坐标系统中的三个坐标轴方向上的加速度信息，而陀螺仪用于输出载体相对于导航坐标系的三个坐标轴方向上的角速度信息，很据载体在三维空间中的角速度以及加速度值解算出对应的姿态。基于惯性传感器的定位方法主要优点是不依赖外部条件就可实现移动机器人定位，短时精度比较好。缺点就是随着时间的增长会有飘移，比较小的常数误差被积分后都会无限变大。可见基于惯性传感器的航迹推算方法不能满足移动机器人长距离精确定位要求。

里程计的航迹推算定位方法主要基于光电编码器在采样周期内脉冲的变化量计算出车轮相对于地面移动的距离和方向角的变化量，从而推算出移动机器人位姿的相对变化。假设一个机器人在其轮子或腿关节处配备有光电编码器等设备，当它向前移动一段时间后，想要知道大致的移动距离，测量光电编码器脉冲数目，可以得出轮子旋转的圈数，如果知道了轮子的周长，便可以计算出机器人移动的距离。同样里程计航迹推算定位方法也是存在累积误差，不适合机器人长距离内的定位。

• 绝对定位

    绝对定位是指确定移动机器人在全局参考框架下的位姿信息。比如基于信标的定位、基于地图匹配方法的定位以及基于ＧＰＳ的定位都属于绝对定位方法的范畴。其中，基于ＧＰＳ的定位方法是移动机器人比较常用的定位方法。由于绝对定位方法不依赖于时间和初始位姿，因此，不但没有累积误差问题，而且还具有精度高、可靠性强等特点。同时基于超声波定位、激光定位以及视觉定位都属于绝对定位，如伪卫星、gps One、Wi-Fi、射频标签（RFID）、蓝牙（Bluetooth，BT）、超宽带（Ultra  Wide Band，UWB）、地磁、红外定位、光跟踪定位、计算机视觉定位等，也属于绝对定位范围。

• 组合定位

相对定位方法能够根据移动机器人的运动学模型对每一时刻的机器人位姿进行迭代递推，不依赖于外界环境信息，短时精度较好。但该类定位方法难以避免地存在误差累积问题；绝对定位方法虽然具有精度商、可靠性强等优点，但该类方法同样具有自身的局限性，比如基于导航信标的定位方法只适用于设有导航信标的环境中，方法本身局限性较大；基于ＧＰＳ的定位方法依赖于卫星信号的可获得性及信号质量，在室外空旷的环境下，定位精度可达到很高，但在室内由于信号无法获得而失效。在城市道路环境下，由于建筑物的遮挡，或信号反射造成的多径效应，道路两旁的树木的遮挡等原因，定位巧度也会受到很大影响。为了实现以上两种定位方法的优势互补，形成了基于航位推算的相对定位信息和绝对定位信息相结合的组合定位方法。

根据不同定位方法应用的数理基础，移动机器人定位方法又可分为基于贝叶斯滤波理论的定位方法、基于模糊理论的定位方法和基于灰色定性理论的定位方法。其中，基于贝叶斯巧波理论的定位方法主要包括基于ＫＦ及其改进算法的定位和基于马尔可夫理论的定位，基于模糊理论的方法又可分为基于模糊理论的路标定位方法、基于模糊卡尔曼滤波的定位方法和基于模糊神经网络的定位方法。

为了克服里程计的建模误差和随机的轮子滑动等影响针对系统建模和传感器测量过程中的各种不确定性，提出了各种基于概率统计的定位方法。

    一类就是基于滤波估计的定位方法。通过对系统方程进行线性化，运用卡尔曼滤波及其变种技术对机器人的位置进行滤波估计，比如：有 Extended Kalman Filter（EKF），Kalman Filter (KF)，Unscented Kalman Filter (UKF)定位方法。

    另一类是基于贝叶斯推理的定位方法。运用栅格和粒子来描述机器人位置空间，并递推计算在状态空间上的概率分布，比如Markov Localization (MKV)，Monte Carlo Localization (MCL)定位方法。

    通过把相对定位和绝对定位方法进行组合，最简单的方法就是对不同的传感器数据进行加权平均，这种方法的可靠性较低，局限性大。基于统计学的方法有Ｋａｌｍａｎ滤波、Ｍａｒｋｏｖ方法和Ｍｏｎｔｅ Ｃａｒｌｏ方法等。

    之后有时间会对这三种融合方法进行学习，再进一步了解传统定位方法的精髓。

本文摘录：吴显. 基于多传感器信息融合的移动机器人定位方法研究[D].北京交通大学,2016.