机器人的应用已经越来越广泛,移动机器人则是机器人技术实用化、普及化的生力军。移动机器人在实际应用中首先遇到的就是机器人本身的定位问题,即移动机器人根据各种信息判断自身与环境的相对位置和姿态的问题。在很多实际应用中,机器人的位置信息是完成各种任务的前提。本文从移动机器人的历史和现状出发,比较了国内外的不同发展状况,对移动机器人领域的研究方向进行了综述。本文还介绍了机器人定位过程中可能存在的不确定性因素。根据是否预知环境地图的不同,机器人定位可划分为两大类:基于地图的定位与不基于地图的定位(本文采用前者)。针对试验平台,论文介绍了机器人定位过程中需要注意的坐标变换、地图建立、模型建立等问题。最后,针对当前一般定位算法无法解决动态问题和计算量大的问题,本文重点研究了蒙特卡罗定位算法和改进后的均匀蒙特卡罗算法。本文研究的蒙特卡罗定位算法(MCL)实际上是一种迭代性的贝耶斯方法,它描述的是基于传感器信息的机器人位姿的概率分布。其关键点是用采样点集来描述机器人位姿的后验分布。当机器人获得里程数据或者指令时, MCL 算法进行运动模型更新; 当机器人获得传感器数据时,进行传感器(感知)模型更新。该算法具有低运算量的优点。而均匀蒙特卡罗算法采用均匀分布来描述位姿信息的信任度概率。这种算法虽然分布简单,但是鲁棒性强,计算量更小,而且由于采用贝耶斯法则,该算法还具有多传感器融合的作用。本文利用Pioneer II 移动机器人的仿真平台对上述算法和策略进行了实验。实验结果和分析证明了使用的原理和算法的有效性和正确性。论文结尾对全文进行了总结并对机器人研究有关方面作了展望。