由Results in Engineering期刊发表的《Multi-sensor fusion based wheeled robot research on indoor positioning method》（DOI：10.1016/j.rineng.2024.102268），是智慧营造国际联合实验室和厦门理工学院共同完成的学术成果。该研究聚焦室内及地下空间轮式机器人的高精度定位问题，提出融合轮式里程计、惯性测量单元（IMU）与激光雷达（LiDAR）信息的多传感器定位方法。

随着服务机器人、物流机器人和巡检机器人在建筑内部、地下停车场及地下空间中的应用不断增加，室内定位已成为实现自主导航和智能决策的重要基础。与室外环境不同，室内及地下空间通常难以稳定获取GNSS/GPS卫星定位信息，而单一传感器又容易受到轮胎打滑、累计里程误差、惯性漂移及环境变化影响，使机器人位置和航向估计逐渐偏离真实轨迹。

针对这一问题，研究构建无需额外部署定位基站的多传感器融合定位框架，综合利用轮式里程计航位推算、IMU航向信息和LiDAR环境感知信息，并将扩展卡尔曼滤波（EKF）、Gmapping与自适应蒙特卡洛定位（AMCL）相结合，提高机器人在复杂室内环境中的定位精度和可靠性。

一、构建无需外部定位基站的室内定位框架

传统高精度室内定位通常依赖UWB、蓝牙、Wi-Fi、RFID等预设基础设施，但在地下空间、大型建筑或临时作业环境中，额外部署基站会增加成本并限制快速作业能力。研究将定位信息集中于机器人自身传感器及其对周围环境的感知结果。轮式里程计通过车轮编码器提供连续位移估计；IMU获取姿态与航向变化；LiDAR扫描墙体、走廊和障碍物等空间结构，为机器人提供真实环境参照。三类传感器分别提供位移、航向和空间位置依据，共同构成室内定位信息链。

二、利用EKF融合轮式里程计与IMU，抑制累计误差

轮式里程计具有更新频率高、计算量较小等优势，但其本质属于航位推算方法，位置需要不断递推。一旦出现轮胎打滑、地面不平、轮径参数偏差或编码器测量误差，定位误差会随运动距离累积。IMU能够提供姿态和航向信息，但同样存在测量噪声和长期漂移问题。研究采用EKF对轮式里程计航位推算结果与IMU航向角信息进行融合，根据机器人运动状态和传感器观测结果，对位置与航向进行联合估计，使连续位移信息与姿态信息相互补偿，提高运动状态估计稳定性，并为后续LiDAR地图定位提供可靠的初始信息。

三、结合LiDAR、Gmapping与AMCL实现地图定位与位置修正

仅融合轮式里程计和IMU仍无法彻底消除长期累计误差，因此研究进一步引入LiDAR提供外部环境约束。首先利用LiDAR扫描结果结合Gmapping构建室内地图，将机器人运动轨迹与墙体、走廊及障碍物等真实空间结构建立联系。在完成建图后，系统采用AMCL估计机器人在地图中的位置和姿态。AMCL持续将实时LiDAR扫描结果与已有地图进行匹配，估计机器人最可能的位置和姿态，并对长期漂移进行校正。由此形成轮式里程计连续位移，IMU航向约束，EKF信息融合，LiDAR环境建图，AMCL地图匹配与位置修正的完整技术路线，实现由相对运动估计向基于真实环境地图的定位转变。

四、降低定位误差并拓展智慧空间应用

实验结果表明，多传感器融合方案有效提高轮式机器人定位精度。将EKF、Gmapping和AMCL结合后，与仅采用单轮式里程计航向计算的方法相比，相对定位误差降低了8.35%。进一步与“航位推算+IMU航向信息”的EKF融合方案相比，引入LiDAR环境地图和AMCL后的完整方法将相对误差控制在约4%，同时未观察到航向角误差持续累积的明显趋势。结果说明，轮式里程计与IMU融合能够改善短时间定位效果，但仍主要依赖机器人自身的相对运动信息；加入LiDAR环境感知和地图匹配后，机器人可利用真实建筑空间作为外部参照，持续修正长时间运行产生的位置和航向漂移，提升定位稳定性与可靠性。

该方法不依赖专门定位基站，具有向地下停车场、地下通道、仓储空间、智慧建筑、物流中心和智能巡检等GNSS受限环境拓展的潜力。在既有建筑和地下空间中，可利用机器人已有的轮式编码器、IMU和LiDAR实现融合定位，降低对额外定位设施的依赖。

研究表明，复杂室内环境中的机器人定位应充分发挥不同传感器在运动测量、姿态感知和环境识别方面的互补优势。论文提出的轮式里程计航位推算、IMU航向约束、EKF信息融合、LiDAR环境建图、AMCL地图定位框架，有效缓解了轮式机器人定位中的累计误差问题，为地下空间、智慧建筑、仓储物流和智能巡检等场景中的自主导航，以及面向智慧空间的机器人感知与定位系统建设提供了技术参考。