《Measurement: Sensors》：Advancements in robotic positioning: A comprehensive review of measurement methods and systems
编辑推荐：
摘要：机器人定位在实现精确导航、控制和自主性方面发挥着关键作用，涵盖工业自动化、自动驾驶车辆、无人机（UAV）、水下探索、群体机器人和生物医学系统等多个领域。尽管取得了显著进展，但传感器漂移、环境变化、计算复杂度和能量限制等挑战仍影响着定位精度。为解决这些限制
摘要：机器人定位在实现精确导航、控制和自主性方面发挥着关键作用，涵盖工业自动化、自动驾驶车辆、无人机（UAV）、水下探索、群体机器人和生物医学系统等多个领域。尽管取得了显著进展，但传感器漂移、环境变化、计算复杂度和能量限制等挑战仍影响着定位精度。为解决这些限制，研究人员开发了多种测量系统和传感器融合技术，集成惯性测量单元（IMU）、全球定位系统（GPS）、光探测与测距（LIDAR）、光学运动捕捉、超声波传感器、射频识别（RFID）和红外（IR）跟踪。本综述将定位系统结构化分类为车载、车外和混合类型，突出了权衡和特定应用的优势。测量方法分为相对和绝对方法。此外，分析了人工智能（AI）驱动的融合策略，如卡尔曼滤波、粒子滤波、视觉惯性里程计（VIO）和同时定位与地图构建（SLAM），以增强鲁棒性和减轻漂移。评估基于精度、延迟、效率和适应性。跨领域比较展示了传感器-算法集成如何影响空中、移动、水下、工业和生物医学平台的结果。最后，提出了6G驱动的超精确定位、低功耗SLAM的神经形态计算和基于区块链的去中心化框架等新兴方向，以提高下一代机器人自主性的信任、适应性和可靠性。
引言部分阐述了机器人定位在实现精确、可重复和可追溯导航中的核心作用，应用于工业自动化、自动驾驶车辆、无人机（UAV）、水下探索、群体机器人和生物医学系统等领域。定位不准确会导致操作中断，例如2022年自动驾驶车辆因GPS信号退化而发生碰撞，以及无人机交付系统因惯性测量单元（IMU）漂移超标而坠毁。当前定位系统面临累积误差与漂移、环境干扰、计算复杂度和能量约束等挑战，需要集成稳健的误差补偿机制。定位方法分为相对定位（如IMU、轮式编码器）和绝对定位（如GPS、LIDAR、视觉SLAM），但单一方法无法保证稳定性，因此混合解决方案成为关键。本综述提出统一结构框架，从测量系统分类、传感器融合与AI增强定位、不确定性建模、应用案例到未来趋势进行系统分析。
精密测量方法部分介绍了机器人定位系统的基础技术和先进集成方法。基础技术包括传统传感器如惯性测量单元（IMU）、光学传感器、超声波传感器、射频识别（RFID）等，这些是定位系统的构建模块；先进集成方法包括人工智能驱动融合、视觉SLAM和深度学习校准，代表计算驱动的精度增强。这种分层框架帮助理解现代机器人定位系统的架构，其中基础传感器提供原始测量，先进方法提升可用性、精度和适应性。该综述通过系统比较AI驱动融合方法、评估计量上下文中的不确定性模型以及综合跨领域定位技术，弥合文献空白。
机器人定位测量系统的分类基于功能部署而非硬件边界，分为车载系统、车外系统和混合系统。车载系统提供实时位置和运动学数据，如IMU、光学传感器、超声波传感器和力-扭矩传感器；车外系统利用外部基础设施提供绝对参考，如GPS、光学运动捕捉和LIDAR；混合系统结合多种传感器和算法融合以提供鲁棒性能。分类强调操作角色而非传感器物理依赖，例如LIDAR可作为车载相对定位传感器或车外绝对定位基础设施。车载测量系统包括IMU（由加速度计、陀螺仪和磁力计组成，提供位置、方向和速度，但存在漂移和偏差不稳定性）、光学传感器（单目、立体和深度相机，提供空间信息但受光照影响）、超声波、红外和RFID传感器（短距离辅助定位）以及力-扭矩传感器（测量力和力矩，用于交互控制）。车外测量系统包括GPS和RTK定位（提供绝对地理定位，但受信号干扰影响）、光学运动捕捉系统（使用校准相机网络检测反射标记，提供亚毫米精度但仅限室内）和LIDAR（提供高分辨率3D地图，可作为车载或车外部署）。混合传感器定位结合多种模态，如LIDAR-IMU融合增强地形感知SLAM，GNSS-视觉集成改善城市峡谷定位，采用松耦合或紧耦合架构。
混合定位的传感器融合部分讨论了克服单一传感器限制的关键策略。融合方法包括递归贝叶斯估计（如卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、容积卡尔曼滤波（CKF）和粒子滤波（PF））和基于优化的估计（如SLAM中的因子图优化）。递归滤波强调低延迟实时操作和显式协方差传播，适用于嵌入式平台；因子图平滑通过最大化后验概率（MAP）问题联合优化姿态、地标和传感器约束，支持环路闭合和全局一致性。视觉和AI驱动的融合（如视觉惯性里程计（VIO）、卷积神经网络增强SLAM和强化学习（RL）加权）作为增强机制，在概率或优化估计框架内操作，提升鲁棒性和适应性。集成架构涉及松耦合和紧耦合（紧耦合在部分可观测性下更优）、时间同步机制（如硬件触发、GPS秒脉冲和IEEE 1588 PTP）以及动态传感器权重分配（基于测量协方差和创新统计）。定量基准比较（如KITTI、EuRoC数据集）显示，紧耦合系统（如因子图优化）在绝对轨迹误差（ATE）和鲁棒性方面表现最佳。
误差分析和不确定性建模部分强调定位精度需要严格误差建模和不确定性量化。传感器不确定性模型包括偏差（系统误差）、噪声（随机高斯误差）和漂移（时间相关偏差），可扩展为包含校准和同步不确定性。惯性传感器使用艾伦方差（AVAR）分析稳定性，量化不同积分时间下的噪声类型，用于确定最优融合间隔。贝叶斯状态估计（如EKF、UKF）提供概率建模，通过递归预测-更新方程传播协方差。蒙特卡洛方法（MCM）用于非高斯误差传播，如GNSS多径和LIDAR反射率影响。误差补偿策略包括偏差校准（如陀螺仪随机走动模型）、机器学习自适应校正（如长短期记忆（LSTM）网络）、图优化SLAM（通过非线性位姿图优化最小化环路闭合误差）和自适应卡尔曼滤波（基于实时置信度调整卡尔曼增益）。标准化校准程序（如ISO 16063-21、ISO 17123-8）确保计量可追溯性，AI驱动自动校准和多模态校准（如LIDAR-IMU-相机融合）是新兴趋势。
机器人系统中定位方法的应用示例部分展示了定位在不同平台中的部署。移动机器人（室内、室外、动态环境）通过IMU-LIDAR-视觉融合实现厘米级精度，例如亚马逊Kiva机器人使用LIDAR-SLAM与视觉里程计融合，在仓库中达到±2厘米精度并提高订单检索时间。无人机（UAV）导航集成RTK-GNSS、IMU和视觉传感器，克服风扰、多径误差和信号遮挡，例如亚马逊Prime Air无人机使用GPS-RTK和IMU-视觉混合融合，实现±5厘米着陆精度。水下导航挑战包括GNSS缺失、声学衰减和水流扰动，使用多普勒速度日志（DVL）、超短基线（USBL）和声学SLAM，混合方法在湍急水流中保持±0.5米定位精度。群体机器人和多智能体协调需要可扩展、轻量级定位解决方案，如UWB和视觉里程计传感器结合，在农业无人机群体中减少30%定位误差并提高喷洒覆盖模式。工业和精密机器人要求亚毫米至微米级精度，例如特斯拉制造机器人通过多传感器融合和边缘AI校准策略达到±0.1毫米精度。跨领域比较（如移动、空中、水下、工业平台）显示，定位误差建模从移动系统的随机偏差-漂移到水下导航的声学不确定性传播，再到工业机器人的确定性热机械补偿，补偿策略需根据精度尺度和环境条件定制。
机器人定位的挑战和未来方向部分分析了当前瓶颈和解决方案路径。基本原理包括可观测性（状态重建能力）、不确定性传播（噪声演化）和跨传感器一致性（时空校准）。系统级瓶颈包括有限可观测性下的漂移累积、环境敏感性与模态退化、多传感器SLAM的计算可扩展性、校准不稳定性和分布式系统的能量-通信约束。未来研究方向包括可观测性感知融合架构（基于信息增益动态激活传感器）、自适应和不确定性感知校准（AI增强持续估计外参）、能量高效神经形态和边缘架构（事件驱动处理器降低功耗）、6G和UWB使能协同定位（超宽带测距提供厘米级定位）、水下和极端环境集成（混合声学-惯性-视觉SLAM）以及计量驱动的定位标准（与ISO-GUM可追溯性原则对齐）。这些方向强调结构一致性估计框架，统一可观测性分析、可扩展优化、自适应不确定性和硬件感知实现。
结论部分总结了本综述的贡献：提出了结构化、演化分类框架，连接传感原理、概率估计理论和混合融合架构；进行了跨领域比较分析，显示误差建模因应用场景而异；整合了定量基准测试和场景依赖误差分析。未来进步需要同时强化估计原则、缓解结构瓶颈，并基于可观测性理论和计量可追溯性部署解决方案架构，实现不确定性感知、可扩展和应用对齐的定位系统。
