多传感器信息融合技术是近年来十分热门的研究课题,信息融合技术结合了控制理论、信号处理、概率和统计学、人工智能等诸多学科的发展。多传感器信息融合技术综合了来自多个传感器的感知数据,产生更可靠、更准确或更精确的信息,经过融合的多传感器信息具有以下特性:信息的冗余性、信息的互补性、信息的实时性和信息的低成本性。信息融合为机器人在各种复杂的、动态的、不确定或未知的环境中工作提供了一种技术解决途径。本文以多传感器信息融合技术作为研究重点,结合它在机器人中的应用进行了理论和实践上的探讨。论文首先介绍了国内外信息融合技术和移动机器人的发展动态和趋势,单一的传感器提供信息已经无法满足现代移动机器人的需求,多传感器信息融合技术开始在机器人领域广泛应用。然后,对多传感器信息融合技术的基本原理、融合层次和融合方法进行了详细的分析,研究了现今机器人领域中多传感器信息融合的常用方法,目前移动机器人领域中常用的多传感器信息融合方法有加权平均法、Kalman滤波、Bayes估计、Dempster-Shaferi证据推理、模糊逻辑、神经网络等。论文重点分析了基于概率的移动机器人定位技术,基于对当今移动机器人卡尔曼滤波、马尔可夫和粒子滤波等常用概率定位方法的优点和缺陷分析。论文着重以卡尔曼滤波作为融合算法基础,设计了数据层和特征层的混合融合结构。并对卡尔曼滤波进行了初步的仿真论证,卡尔曼滤波在通常情况下能实现机器人的自定位,但需要严格的运动模型匹配,要求机器人是线性的运动模型,但是现实情况下,机器人是一个非线性系统,因此采用经典卡尔曼滤波解决机器人定位存在缺陷,由此采用扩展卡尔曼系统解决机器人的非线性问题。最后,引入RFID定位系统,详细分析了RFID定位算法和多传感器信息融合定位算法的优缺点,进行了仿真。结果表明,融合了里程计、电子罗盘、超声波和RFID的自定位算法可以减少传统RFID定位的误差更新问题。为了实现机器人在已知的结构环境中自主定位,以实验室自制机器人为平台在室内搭建试验环境并进行机器人实体实验。