随着科学技术的不断革新,国家经济和社会建设得到了蓬勃的发展。“数字地球”、“智慧城市”等理念不断的普及,使人们对室内高精度定位、导航、授时服务的速度及质量的需求多样化。目前单一、传统的导航定位方法已无法满足多样化的位置服务需求,融合多传感器技术的组合导航定位系统用于实时获取空间信息,实现室内复杂环境的高精度、高效和稳定定位成为了一种新趋势。本文以实现室内高精度导航定位为研究目标,在无线传感器网络、惯性、激光雷达、视觉导航定位技术的基础上,以ZigBee室内定位方法、高精度视觉惯性导航定位方法以及INS/激光雷达/视觉技术组合导航定位的方法为主要研究内容,围绕基于无线信号的路径损耗模型、高精度时空信息配准、多传感器信息高效融合算法和导航定位精度等问题展开研究。主要内容如下:1、阐述了 ZigBee无线传感器网络技术的协议,研究了基于RSSI的对数常态分布的路径损耗模型的定位方法,针对该模型中参数无法确定的问题,提出了一种基于粒子群优化算法确定模型参数的方法,在此基础上设计了一种基于粒子群优化算法和KNN算法的二维定位方法,并在室内环境组建了 ZigBee无线传感器网络进行定位实验,验证了算法和定位系统的有效性。2、针对机器人在室内环境中进行稳定、高精度的定位需求,本文提出了一种视觉和惯性组合的导航定位算法。对于基于Kinect视觉的定位算法,首先对RGB图像采用SIFT算法进行特征点提取和匹配,并运用RANSAC算法和冒泡法取得鲁棒性较好的特征点,最后通过采用一种绝对定向算法计算平移量和旋转矩阵,该方法比传统ICP算法的定位精度更好;对于惯性导航系统,分析了其位置、速度和姿态的更新方程。设计并实现了基于卡尔曼滤波的Kinect视觉/惯性组合导航定位系统,并通过室内实验测试,验证了该组合导航定位系统能够有效的实现室内定位,与纯视觉定位方法相比,该组合导航定位系统提高了定位的精度和可靠性。3、为了进一步提高机器人室内定位精度和稳定性,本文提出了一种基于联邦滤波的INS/激光雷达/视觉组合的室内导航定位方法。对于点云数据的处理,研究对比了课题组提出的一种基于体素格尺度不变特征变换(Voxel-SIFT特征)的特征提取算法和ISS特征提取算法,选择提取特征点数多、耗时短的Voxel-SIFT特征提取算法,并在此基础上采用Kd-Tree算法和ICP配准算法完成点云数据的精确配准,该配准算法耗时较传统ICP配准算法大大缩短;对于视觉里程计前端的选取,研究基于特征的方法和直接法的视觉里程计算法,通过实验确定了采用直接稀疏里程计作为视觉前端。最后,在传统联邦滤波的基础上,设计了一种最小二乘迭代加权算法融合子滤波器最优估计值的联邦滤波器方法,实现了基于联邦滤波算法的INS、激光雷达和视觉组合导航定位系统,并通过室内场景实验,证明该系统提高了定位系统的稳定性,能够实现高精度的室内定位。