引言
自主移动机器人导航过程需要回答三个问题：“我在哪里？”“我要去哪儿？”和“我怎样到达那里？”。定位就是要回答第一个问题，确切的，移动机器人定位就是确定机器人在其运动环境中的世界坐标系的坐标。
根据机器人定位可分为相对定位和绝对定位。
一、相对定位
移动机器人相对定位也叫作位资跟踪，假定机器人初始位资，采用相邻近时刻传感器信息对机器人位置进行跟踪估计。相对定位分为里程计法和惯性导航法
1、里程计法
在移动机器人车轮上装有光电编码器，通过对车轮转动记录实现位资跟踪。航位推算法是假定初始位置已知，根据以前的位置对当前位置估计更新。缺点是：航位推算是个累加过程，逐步累加的过程中，测量值以及计算值都会累积误差，定位精度下降，因此只适用于短时间或短距离位资跟踪。
2、惯性导航法
机器人从一个已知坐标出发，陀螺仪测得角加速度的值，加速度计获得线加速度，通过角加速度和线加速度进行二次积分分别得到角度和位置。
二、绝对定位
绝对定位又称为全局定位。完成机器人全局定位需要预先确定好环境模型或通过传感器直接向机器人提供外接位置信息，计算机器人在全局坐标系中的位置。
1、信标定位：利用人工路标或自然路标和三角原理进行定位。
2、地图匹配：利用传感器感知环境信息创建好地图，然后将当前地图与数据库中预先存储好的地图进行匹配，计算出机器人在全局坐标系中位资。
3、GPS：室外机器人导航定位
4、概率定位：基于概率地图的定位，用概率论来表示不确定性，将机器人方位表示为对所有可能的机器人位资的概率分布。
4.1马尔科夫定位（Maekov Localization ML）：机器人通常不知道他所处环境的确切位置，而是用一个概率密度函数表示机器人的位置。它持有一个可能在哪里的信任度并跟踪任意概率密度函数跟踪机器人的信任度状态。信任度是指机器人在整个位置空间的概率分布。信任度值的计算是马尔科夫定位的关键。地图的表示方法为栅格地图，机器人导航环境被划分为很多栅格，每个栅格在0~1之间，表示机器人在该栅格的信任度，所有栅格信任度之和为1.
4.2卡尔曼滤波定位：卡尔曼滤波定位算法是马尔科夫定位的特殊情况。卡尔曼滤波不适用于任何密度函数，而是使用高斯代表机器人信任度、运动模型和测量模型。高斯分布简单的由均值和协方差定义，在预测和测量阶段两个参数更新。然而这个假设限制了初始信任度以及高斯的选择。