本地化对于自主移动机器人来说是一个重要的任务，以便成功转向其环境中的目标位置。通常，这是以机器人为中心的方式完成的，其中机器人在中心中将地图维持。在群体机器人应用程序中，其中一组机器人需要协调，以实现其共同的目标，机器人为中心的本地化与群体的每个成员都没有其自己的参考框架。处理此问题的一种方法是创建，维护和共享群体成员中的通用地图（全局坐标系）。本文提出了一种在未知，GPS和地标的环境中的一组机器人的全球本地化方法，该机器人扩展了瓢虫算法的定位方案。主要想法依赖于群体的成员仍然仍然并充当信标，发射电磁信号。这些静止机器人形成了全局参考框架，并且本组的其余部分使用所接收的信号强度指示器（RSSI）本身整理它。评估所提出的方法，并且从实验中获得的结果是有前途的。

移动机器人的精确位置信息对于导航和任务处理至关重要，尤其是对于多机器人系统（MRS），可以从该领域进行协作和收集有价值的数据。但是，在无法访问GPS信号（例如在环境控制，室内或地下环境中）的机器人发现很难单独使用其传感器找到。结果，机器人共享其本地信息以改善其本地化估计，使整个MRS团队受益。已经尝试使用无线电信号强度指标（RSSI）作为计算轴承信息的来源进行了几次尝试模拟基于多机器人的定位。我们还利用了通过系统中多个机器人的通信生成的无线网络，并旨在在动态环境中具有很高准确性和效率的定位代理，以共享信息融合以完善本地化估计。该估计器结构减少了一个测量相关性的来源，同时适当地纳入了其他相关性。本文提出了一个分散的多机器人协同定位系统（MRSL），以实现密集和动态的环境。每当从邻居那里收到新信息时，机器人都会更新其位置估计。当系统感觉到该地区其他机器人的存在时，它会交换位置估计并将接收到的数据合并以提高其本地化精度。我们的方法使用基于贝叶斯规则的集成，该集成已证明在计算上是有效的，适用于异步机器人通信。我们已经使用数量不同的机器人进行了广泛的仿真实验，以分析算法。 MRSL与RSSI的本地化准确性优于文献中的其他算法，对未来发展有很大的希望。

在室内和GPS拒绝环境中的无线移动设备或机器人的本地化是一个难题，特别是在传统摄像机和基于LIDAR的替代感测和本地化模式可能失败的动态场景中。我们提出了一种用于估计移动机器人的位置与在环境中部署的静态无线传感器节点（WSN）相关的方法。该方法采用新的粒子滤波器，其使用在到达方向（DOA）估计的高斯概率与移动机器人的移动模型结合使用的高斯概率来更新其权重。通过广泛的模拟和公共现实世界测量数据集，在准确性和计算效率方面评估和验证所提出的方法，与标准的最先进的本地化方法相比。结果显示了通过高计算效率平衡的高仪表级定位精度，使其能够在线使用，而无需为基于典型指纹的定位算法中的专用离线阶段使用。

The field of autonomous mobile robots has undergone dramatic advancements over the past decades. Despite achieving important milestones, several challenges are yet to be addressed. Aggregating the achievements of the robotic community as survey papers is vital to keep the track of current state-of-the-art and the challenges that must be tackled in the future. This paper tries to provide a comprehensive review of autonomous mobile robots covering topics such as sensor types, mobile robot platforms, simulation tools, path planning and following, sensor fusion methods, obstacle avoidance, and SLAM. The urge to present a survey paper is twofold. First, autonomous navigation field evolves fast so writing survey papers regularly is crucial to keep the research community well-aware of the current status of this field. Second, deep learning methods have revolutionized many fields including autonomous navigation. Therefore, it is necessary to give an appropriate treatment of the role of deep learning in autonomous navigation as well which is covered in this paper. Future works and research gaps will also be discussed.

在拒绝的环境中进行搜索对于群体机器人来说是具有挑战性的，因为不允许GNSS，映射，数据共享和中央处理的帮助。但是，使用嗅觉和听觉像动物一样合作可能是改善群体合作的重要方法。在本文中，提出了一群自主机器人来探索拒绝环境的嗅觉审计算法算法（OA-BUG）。构建了一个模拟环境，以衡量OA-BUG的性能。使用OA-BUG的搜索任务覆盖范围可以达到96.93％，与类似的算法SGBA相比，最大的40.55％提高了40.55％。此外，在实际的群机器人上进行了实验，以证明OA-BUG的有效性。结果表明，OA-BUG可以在被拒绝的环境中改善群体机器人的性能。

Efficient localization plays a vital role in many modern applications of Unmanned Ground Vehicles (UGV) and Unmanned aerial vehicles (UAVs), which would contribute to improved control, safety, power economy, etc. The ubiquitous 5G NR (New Radio) cellular network will provide new opportunities for enhancing localization of UAVs and UGVs. In this paper, we review the radio frequency (RF) based approaches for localization. We review the RF features that can be utilized for localization and investigate the current methods suitable for Unmanned vehicles under two general categories: range-based and fingerprinting. The existing state-of-the-art literature on RF-based localization for both UAVs and UGVs is examined, and the envisioned 5G NR for localization enhancement, and the future research direction are explored.

本文使用基于基准标记的地标节点图探讨了室内移动机器人的定位和导航方法。使用Aruco标记及其相对于机器人的摄像机的2D方向以及与摄像机的标记的距离用于计算机器人的相对位置以及其他标记的相对位置。所提出的方法结合了基于信标的导航和同时本地化和基于映射的导航方面的各个方面。该方法的实现使用深度摄像头来获得与标记的距离。在计算标记的所需方向后，它依赖于探针计算来跟踪相对于标记的定位后的位置。然后，使用一个标记的探光仪和相对位置，然后将机器人定位于另一个标记。然后计算两个标记的相对位置和方向。标记表示为节点，相对距离和方向表示为连接节点的边缘，并且可以生成一个代表机器人地图的节点图。该方法在车轮的人形机器人机器人上进行了测试，目的是使IT自动导航到房间内的充电站。该目标成功实现了，并简要讨论了局限性和未来的改进。

传感器是将物理参数或环境特征（例如温度，距离，速度等）转换为可以通过数字测量和处理以执行特定任务的信号的设备。移动机器人需要传感器来测量其环境的属性，从而允许安全导航，复杂的感知和相应的动作以及与填充环境的其他代理的有效相互作用。移动机器人使用的传感器范围从简单的触觉传感器（例如保险杠）到复杂的基于视觉的传感器，例如结构化灯相机。所有这些都提供了可以由机器人计算机处理的数字输出（例如，字符串，一组值，矩阵等）。通常通过使用传感器中包含的数字转换器（ADC）的类似物来离散一个或多个模拟电信号来获得此类输出。在本章中，我们介绍了移动机器人技术中最常见的传感器，并提供了其分类法，基本特征和规格的介绍。对功能和应用程序类型的描述遵循一种自下而上的方法：在描述现实世界传感器之前，介绍了传感器所基于的基本原理和组件，这些传感器通常基于多种技术和基本设备。

机器人的本地化对于导航和路径计划至关重要，例如需要环境地图的情况。多年来，由于引入低成本UWB模块提供了厘米级的准确性，多年来，用于室内位置系统的Ultra Wideband（UWB）一直在越来越受欢迎。但是，在环境中存在障碍的情况下，UWB的非视线（NLOS）测量将产生不准确的结果。由于低成本UWB设备不提供渠道信息，因此我们提出了一种方法来决定测量是否在视线（LOS）之内（NN）模型。该模型的结果是测量值是LOS的概率，该测量是通过加权最高方（WLS）方法定位的。我们的方法在大厅测试数据中将本地化精度提高了16.93％，使用从办公室培训数据中提取的所有输入的NN模型，在走廊测试数据上，将本地化精度提高了16.93％。

自我定位是一种基本功能，移动机器人导航系统集成到使用地图从一个点转移到另一点。因此，任何提高本地化精度的增强对于执行精致的灵活性任务至关重要。本文描述了一个新的位置，该位置使用Monte Carlo定位（MCL）算法维护几个颗粒人群，始终选择最佳的粒子作为系统的输出。作为新颖性，我们的工作包括一种多尺度匹配匹配算法，以创建新的MCL群体和一个确定最可靠的指标。它还贡献了最新的实现，从错误的估计或未知的初始位置增加了恢复时间。在与NAV2完全集成的模块中评估了所提出的方法，并与当前的最新自适应ACML溶液进行了比较，从而获得了良好的精度和恢复时间。

本文介绍了WiFi传感器 - 机器人（WSR）工具箱，一个开源C ++框架。它使团队中的机器人能够在彼此获得相对的轴承，即使在非思考（NLOS）设置中也是机器人中非常具有挑战性的问题。通过分析其传送的WiFi信号的阶段，因为机器人遍历环境来实现。基于我们的先前作品中开发的理论的这种能力是首次提供的作为OpenSource工具。它是由于缺乏使用机器人的本地资源（例如WiFi）来在NLOS中感测的易于部署的解决方案。这对多个机器人团队中的本地化，ad-hoc机器人网络和安全性有影响。工具箱专为使用商品硬件和车载传感器的机器人平台上分布式和在线部署而设计。我们还释放数据集，展示其在NLOS中的性能以及用于多机器人本地化USECASE的MOLICE中的表现。经验结果表明，我们的工具箱的轴承估计达到了5.10度的平均精度。在室内办公环境中的硬件部署中，这分别导致LOS和NLOS设置中的0.5米和0.9米的中值误差为0.5米和0.9米。

In recent decades, several assistive technologies for visually impaired and blind (VIB) people have been developed to improve their ability to navigate independently and safely. At the same time, simultaneous localization and mapping (SLAM) techniques have become sufficiently robust and efficient to be adopted in the development of assistive technologies. In this paper, we first report the results of an anonymous survey conducted with VIB people to understand their experience and needs; we focus on digital assistive technologies that help them with indoor and outdoor navigation. Then, we present a literature review of assistive technologies based on SLAM. We discuss proposed approaches and indicate their pros and cons. We conclude by presenting future opportunities and challenges in this domain.

确定高精度和可扩展性的资产位置是市场上最多的调查技术之一。当需要抽取量级精度或需要在室内环境中运行时，基于卫星的定位系统（即GLONASS或GLILEO）提供的基于卫星的定位系统（即GLONASS或GALILEO）的准确性并不总是足够的。在处理室内定位系统时，可扩展性也是一种反复出现的问题。本文介绍了一种创新的UWB室内GPS，可以追踪任意数量的资产而不降低测量更新率。为了提高系统的准确性，研究了数学模型和不确定性源。结果突出了所提出的实施方式提供定位信息，其中最大误差低于20厘米。由于DTDOA传输机制，也解决了不需要从资产被跟踪的活动作用的可扩展性。

We propose a multisensor fusion framework for onboard real-time navigation of a quadrotor in an indoor environment, by integrating sensor readings from an Inertial Measurement Unit (IMU), a camera-based object detection algorithm, and an Ultra-WideBand (UWB) localization system. The sensor readings from the camera-based object detection algorithm and the UWB localization system arrive intermittently, since the measurements are not readily available. We design a Kalman filter that manages intermittent observations in order to handle and fuse the readings and estimate the pose of the quadrotor for tracking a predefined trajectory. The system is implemented via a Hardware-in-the-loop (HIL) simulation technique, in which the dynamic model of the quadrotor is simulated in an open-source 3D robotics simulator tool, and the whole navigation system is implemented on Artificial Intelligence (AI) enabled edge GPU. The simulation results show that our proposed framework offers low positioning and trajectory errors, while handling intermittent sensor measurements.

对自主导航和室内应用程序勘探机器人的最新兴趣刺激了对室内同时定位和映射（SLAM）机器人系统的研究。尽管大多数这些大满贯系统使用视觉和激光雷达传感器与探针传感器同时使用，但这些探针传感器会随着时间的流逝而漂移。为了打击这种漂移，视觉大满贯系统部署计算和内存密集型搜索算法来检测“环闭合”，这使得轨迹估计在全球范围内保持一致。为了绕过这些资源（计算和内存）密集算法，我们提出了VIWID，该算法将WiFi和视觉传感器集成在双层系统中。这种双层方法将局部和全局轨迹估计的任务分开，从而使VIWID资源有效，同时实现PAR或更好的性能到最先进的视觉大满贯。我们在四个数据集上展示了VIWID的性能，涵盖了超过1500 m的遍历路径，并分别显示出4.3倍和4倍的计算和记忆消耗量与最先进的视觉和LIDAR SLAM SLAM系统相比，具有PAR SLAM性能。

Experiments using large numbers of miniature swarm robots are desirable to teach, study, and test multi-robot and swarm intelligence algorithms and their applications. To realize the full potential of a swarm robot, it should be capable of not only motion but also sensing, computing, communication, and power management modules with multiple options. Current swarm robot platforms developed for commercial and academic research purposes lack several of these critical attributes by focusing only on a few of these aspects. Therefore, in this paper, we propose the HeRoSwarm, a fully-capable swarm robot platform with open-source hardware and software support. The proposed robot hardware is a low-cost design with commercial off-the-shelf components that uniquely integrates multiple sensing, communication, and computing modalities with various power management capabilities into a tiny footprint. Moreover, our swarm robot with odometry capability with Robot Operating Systems (ROS) support is unique in its kind. This simple yet powerful swarm robot design has been extensively verified with different prototyping variants and multi-robot experimental demonstrations.

在本文中，我们推导了机器人来测量相对方向或到达角度（AOA）的新能力，以在非视线和未映射的环境中运行的其他机器人，而无需外部基础架构。我们通过捕获WiFi信号在从发送到接收机器人时遍历的所有路径来这样做，这是我们术语AOA简档。当机器人在3D空间中移动时，关键直觉是“在空中模拟空气中的天线阵列”，一种类似于合成孔径雷达（SAR）的方法。主要贡献包括i）一个框架，以适应任意3D轨迹的框架，以及所有机器人的持续移动性，而计算AOA配置文件和II）随附的分析，其提供了作为机器人轨迹的函数的AOA估计方差的较低限制基于Cramer Rao绑定的几何。这是一个关键的区别与先前的SAR的工作，限制机器人移动到规定的运动模式，不概括到3D空间，和/或在数据采集时段期间需要将机器人发送到静态。我们的方法导致更准确的AOA配置文件，从而更好地估计，并正式地将该观察表征为轨迹的信息性;我们推导出封闭形式的可计算量。所有理论发展都是通过广泛的模拟和硬件实验证实的。我们还表明，我们的配方可以与现成的轨迹估计传感器一起使用。最后，我们展示了我们系统对多机器人动态集合任务的表现。

This paper presents the development of a system able to estimate the 2D relative position of nodes in a wireless network, based on distance measurements between the nodes. The system uses ultra wide band ranging technology and the Bluetooth Low Energy protocol to acquire data. Furthermore, a nonlinear least squares problem is formulated and solved numerically for estimating the relative positions of the nodes. The localization performance of the system is validated by experimental tests, demonstrating the capability of measuring the relative position of a network comprised of 4 nodes with an accuracy of the order of 3 cm and an update rate of 10 Hz. This shows the feasibility of applying the proposed system for multi-robot cooperative localization and formation control scenarios.

在这项研究中，我们提出了一种新型的视觉定位方法，以根据RGB摄像机的可视数据准确估计机器人在3D激光镜头内的六个自由度（6-DOF）姿势。使用基于先进的激光雷达的同时定位和映射（SLAM）算法，可获得3D地图，能够收集精确的稀疏图。将从相机图像中提取的功能与3D地图的点进行了比较，然后解决了几何优化问题，以实现精确的视觉定位。我们的方法允许使用配备昂贵激光雷达的侦察兵机器人一次 - 用于映射环境，并且仅使用RGB摄像头的多个操作机器人 - 执行任务任务，其本地化精度高于常见的基于相机的解决方案。该方法在Skolkovo科学技术研究所（Skoltech）收集的自定义数据集上进行了测试。在评估本地化准确性的过程中，我们设法达到了厘米级的准确性；中间翻译误差高达1.3厘米。仅使用相机实现的确切定位使使用自动移动机器人可以解决需要高度本地化精度的最复杂的任务。

本文提出了一种新方法，该方法融合了混响场中的声学测量和低临界性惯性测量单元（IMU）运动报告，以同时定位和映射（SLAM）。与仅使用声学数据进行到达方向（DOA）估计的现有研究不同，源与传感器的距离是通过直接到依次的能量比（DRR）计算的，并用作新约束以消除非线性噪声从运动报告。应用粒子过滤器估计临界距离，这是将源距离与DRR关联的关键。使用密钥帧方法来消除源位置估计向机器人的偏差。拟议的DOA-DRR声学大满贯（D-D大满贯）设计用于三维运动，适合大多数机器人。该方法是第一个在现实世界中仅包含声学数据和IMU测量值的现实世界室内场景数据集上验证的声学大满贯算法。与以前的方法相比，D-D SLAM在定位机器人和从现实世界室内数据集中构建源地图方面具有可接受的性能。平均位置精度为0.48 m，而源位置误差在2.8 s内收敛到小于0.25 m。这些结果证明了D-D SLAM在现实世界室内场景中的有效性，这可能在环境有雾（即不适合光或激光辐照的环境）之后特别有用。