无论对于单个机器人还是一组机器人,定位能力是其完成各项任务的前提条件。对于机器人群,必须区分两种定位能力:绝对定位能力和相对定位能力。机器人之间的协同合作有很多优点,其中之一就是可以提高单个机器人的定位精度。本文主要讨论自治机器人群中,利用不同的算法,融合机器人内部观测与外部观测数据,机器人之间互为路标,以此提高提高单个机器人的定位精度。论文第二章讨论了群体体系结构及各种移动轮式机器人点目标运动模型,分析了该模型的噪声数值关系,并介绍了观测模型。本章是整篇文章进行研究的基础。第三章主要讨论基于扩展卡尔曼滤波的信息融合算法并进行仿真分析,结果表明,在满足已知条件的情况下,该融合算法可以满足精度要求,但存在对初始条件要求较高的缺点。论文第四章讨论了运用粒子滤波及其改进算法进行信息融合的情况,仿真实验结果表明:该类算法与扩展卡尔曼滤波具有相同的精度,对初始条件要求不高,鲁棒性好,但计算量较大。接着讨论在初始条件未知或存在较大误差的情况下,运用PF-EKF算法,先用PF使初始条件收敛到满足EKF的初始误差范围,再使用EKF进行迭代滤波。仿真实验结果表明:该算法在满足一定条件下可以有效解决运算精度与运算量之间的矛盾。在实际应用中,可能遇到由于参与协同定位的机器人数量过多而使算法的效率和精度降低的情况,第五章针对这种情况提出了基于最大信息熵的参考目标选择方法。该算法基于信息熵理论,结合EKF算法对参考目标进行选择。仿真实验结果表明:该方法在满足协同定位精度的情况下,可使计算量显著降低。在论文的最后,总结了研究内容和成果,并指出了进一步继续研究需要解决的问题。