本文对自主移动机器人导航中的定位方法进行了系统的研究和分析,重点研究了自主移动机器人基于概率的定位方法。其主要内容包括移动机器人的位姿跟踪方法、马尔可夫定位方法、粒子滤波方法及各种粒子滤波改进方法。文中侧重研究了两种以贝叶斯概率后验估计理论为基础的全局定位方法。第一种方法称为感知复位法SRL(Sensor Resetting Localization),它是针对传统粒子滤波定位方法在处理机器人拐骗问题上的不足提出的。该方法继承PF(Particle Filter)的优点,不需要直接求解概率分布函数,而是用随机采样得到的样本集合来表示机器人的位姿信度分布及其不确定性。定位的过程就是用传感器的数据更新样本集、递推求解位姿概率密度函数,这种方法能够表示多峰分布,适合于全局定位并且降低了存储空间,提高了计算效率。同时该算法在定位失效时加入了基于感知结果的再采样过程,解决了样本贫化问题。通过实验证明SRL算法对未知的运动和系统误差都有很好的鲁棒性,与PF相比它能更快的将机器人从诱拐中恢复过来。在SRL的基础上本文提出了一种新的基于概率的移动机器人定位算法ASRL (Adaptive Sensor Resetting Localization),自适应复位感知更新算法,它通过自适应调整需要生成的新样本数目有效避免样本匮乏现象,使用少量的样本实现机器人全局定位,具有实时性;通过对样本进行双感知更新保证了定位精度,满足实际应用系统需求。本文详细讨论了ASRL定位算法位姿估计中的运动模型和感知模型,并进行了ASRL和SRL有关方面的对比实验。通过在实际机器人上做实验证明了该算法的有效性和鲁棒性。