移动机器人定位技术通常可以分为全局定位和位姿跟踪两大类别，是移动机器人研究领域中的核心技术之一，可靠的位姿（位置和朝向）是完成各项任务的基础前提。然而，对于全局定位，移动机器人除了需要面对自身传感器（如里程计）带来的误差，还需要同时面对已知地图（如缺少明确几何特征的不同地图场景、地图噪声）带来的影响，这将会导致全局定位的收敛速度变慢；严重时，会导致收敛到错误的位姿。而对于位姿跟踪，除了上述两种影响，移动机器人还将面对环境中的动态、高遮挡（如移动的人群）造成的更大影响，各个方面的影响综合在一起，将会导致位姿跟踪精度的下降；严重时，甚至会造成位姿丢失（即绑架问题），进而无法继续执行任务。本文围绕移动机器人全局定位和位姿跟踪两大关键定位技术，对移动机器人定位能力进行了详尽的分析和估计，并据此提出了改进方法，进而提高了全局定位的收敛速度和鲁棒性，以及位姿跟踪的定位精度和鲁棒性。主要研究内容包括：一、基于已知地图（概率栅格地图）模型和观测（激光测距）模型，本文提出了一种对机器人定位能力进行评估和量化的方法。本质上，该方法是根据Cramér-RaoBound（CRB）理论，使用Fisher’s信息矩阵来估计机器人定位协方差矩阵。通过对Fisher’s信息矩阵的离散化，给出了在没有动态障碍物的环境下定位能力矩阵的计算方法；该矩阵可用于离线估计移动机器人在已知地图上的定位能力，称为静态定位能力矩阵。进而，定义了基于贝叶斯理论的动态障碍物影响因子，并将之融合于静态定位能力矩阵中，得出动态定位能力矩阵，用于在线估计已知地图和动态障碍物对定位造成的影响。通过分析定位能力矩阵所对应的协方差椭圆可知，其不仅准确体现了位置和朝向状态上各自的定位能力，还体现了相互之间的耦合影响。二、针对移动机器人全局定位，本文提出了一种基于定位能力的主动全局定位算法，用以在缺少明确几何特征的不同地图场景、并含有地图噪声的情况下，提高全局定位的收敛速度和鲁棒性。具体地，以标准粒子滤波为框架，根据由静态定位能力矩阵得到的动作选择机制，使得机器人在每一次移动前后，整个粒子系统都能获得最大的定位能力差异，并以此来改善粒子系统的收敛速度和鲁棒性。通过对算法的收敛性、有效性以及实时性进行理论分析，可以看到，本文算法无需提取任何明确的地图特征，但又考虑到了不同地图场景、地图噪声对全局定位的影响；同时，由于静态定位能力矩阵是离线估计并预存的，因此，相对于机器人动作随机的被动全局定位算法而言，本文提出算法的计算复杂度并没有显著增加。基于开源的CARMEN机器人操作系统平台，将本文提出的主动全局定位算法与经典的被动、主动算法分别进行了仿真对比；进而，利用自行研制的装配有里程计和激光测距仪的“交龙”智能轮椅，在真实环境中（办公室、走廊）对本文提出的算法与被动算法进行了实验对比和验证，并将本文算法的实验结果与现存的经典主动全局定位算法进行了比较。仿真和实验结果表明，本文提出的主动全局定位算法，在面对传感器误差，以及缺少明确几何特征的不同地图场景、地图噪声时，对于提高全局定位的收敛速度和鲁棒性是有效的。三、针对移动机器人位姿跟踪，本文提出了一种基于定位能力的自适应位姿跟踪算法，用以在不同动态、高遮挡环境中，保证位姿跟踪的定位精度和鲁棒性。具体地，基于标准粒子滤波框架，利用由激光观测模型得到的动态定位能力矩阵，对由里程计过程模型得到的建议分布函数进行修正。更进一步，考虑算法在不同动态、高遮挡场景下的鲁棒性，对融合过程中调节里程计测量和激光观测之间可信度的参数进行了改进设计。通过对算法收敛性、有效性以及实时性进行理论分析，可以看到，当定位能力较弱时，建议分布函数以过程模型预测为主，防止定位发生跳变；当定位能力较强时，其以观测模型为主，及时对定位进行修正；同时，因为建议分布函数准确性的提高，只需较少的粒子即可保证算法的有效性，因而算法的实时性得到了保障。基于CARMEN平台，将本文提出的自适应位姿跟踪算法与经典算法进行了仿真对比；进而，利用“交龙”智能轮椅，在真实、拥挤的环境下（办公室、走廊、食堂、地铁站）将本文算法与经典算法进行了实验对比和验证。仿真和实验结果表明，本文提出的自适应位姿跟踪算法，在同时面对传感器误差，不同地图场景、地图噪声，以及环境中障碍物的动态、高遮挡时，可以有效保证位姿跟踪的定位精度和鲁棒性。综上，主动全局定位和自适应位姿跟踪算法的有效性进一步说明了，本文定义的移动机器人定位能力适用于移动机器人定位技术的改进，也证明了提出的信息融合算法是有效的，本文所做研究及成果为移动机器人将来在日常生活中的实际应用奠定了坚实的基础。