AGV(Automated Guided Vehicles,自动导引车)是一种配备了自动导引装置,在没有人工指引或是驾驶的前提下,可以按照指定的路径行进,能够进行货物的装卸及搬运等一系列功能的自动化设备。AGV作为一种智能机器人,因其在货物搬运、目标牵引及生产线装配等领域的特殊用途,越发成为了各种工业生产中必不可少的重要工具。AGV以轮式移动作为主要的移动方式,它具有结构简单、快速高效、安全性及可控性良好等优点。总的来说,AGV系统需要三项重要技术:定位、路径规划和导引方式。其中定位技术作为AGV导航最重要的组成部分,是进行后续操作的基础。只有在准确地确定了当前的位置与姿态,才有可能根据生产过程中的实际需求,规划处一条有效行驶路径,为AGV完成后续任务做出详细的指引和保障。本文针对AGV中的定位技术展开相关研究。在常用的AGV设备中,经常使用卡尔曼滤波(Kalman filtering,KF)算法将传感器上获取到的信息进行融合,对AGV的位置和姿态做出估计。作为一种最优估计算法,KF算法可以对目标信息做出较为精确的估计。然而,使用KF算法的时候,存在一定的限制。如果不能预先确定噪声的统计特性,那么在AGV的运动过程中,KF算法难以对目标维持精确的估计。但是当外部环境复杂多变时,噪声的统计特性极易随外部的影响而发生改变,仅仅依靠KF算法是难以维持对位置和姿态的精确估计的。为了解决上述问题,本文将深度信念网络(Deep Belief Networks,DBN)和KF算法结合到一起。通过使用训练好的DBN模型产生调节因子,对噪声的协方差矩阵做出调整,从而维持KF算法对AGV的精确估计。最后,针对实际AGV的结构模型,建立AGV的运动学模型。使用KF算法对AGV的定位问题做出仿真,然后引入DBN对AGV的定位问题做出相应的仿真,并将两次的仿真结果作出分析。从分析结果可以看出,当噪声统计特性发生改变时,使用基于DBN的KF算法较之KF算法具有更好的鲁棒性,能够维持对AGV状态的精确估计。