随着科学技术的快速发展,机器人在人们日常生活中的作用逐步提高。作为移动机器人完成各种任务的关键前提,对机器人定位的精度的需求也越来越高。在现有的导航系统中,虽然以全球定位系统(Global Positioning System,GPS)、北斗导航系统(BeiDou Navigation Satellite System,BDS)为主的全球导航卫星系统(Global Navigation Satellite System,GNSS)能够实现对机器人的定位,但在室内情况下,由于存在信号遮挡,GNSS无法满足移动机器人对室内高精度定位导航的需求,所以室内定位技术逐渐成为研究的热点。面向室内移动机器人组合定位,本文首先介绍了目前室内常用的几种定位技术,分析了目前室内定位技术主流传感器的优势和不足。通过分析可以看出,在现有导航定位技术中,DR(Dead Reckoning,DR)技术定位误差随时间累计,LiDAR(Light Detection And Ranging,LiDAR)每个时刻之间误差独立,不随时间累计。为了充分发挥两种传感器的优势,克服它们的不足,本文提出面向室内机器人DR/LiDAR组合定位系统,搭建了DR/LiDAR组合定位实验平台,开发了上位机数据采集软件,为本文所提算法的性能验证打下了基础。基于DR/LiDAR组合定位系统,本文对松、紧两种组合定位方式进行了研究,构建了DR/LiDAR松、紧组合定位模型,并通过实验对所提模型的性能进行了分析。实验结果表明,紧组合方式定位精度更高,误差波动更小。在此基础上,本文通过研究传统的数据融合算法的性能发现,虽然扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)方法定位精度较高,收敛速度快,但是EKF的预测估计精度依赖于噪声统计特性的精度,一旦噪声描述与实际差距过大,预估性能会迅速下降,甚至出现发散。而在实际应用环境下,过程噪声协方差矩阵Q和测量噪声协方差矩阵R的真值不容易确定。为了提高数据融合算法的鲁棒性,本文将粒子滤波算法(Particle Filter,PF)和EKF相结合,提出了基于DR/LiDAR紧组合定位的EKF/PF混合鲁棒算法,通过计算每个时刻两个滤波算法的马氏距离,以马氏距离较小的滤波算法的值作为当前时刻的状态估计值。实验结果表明,EKF/PF混合滤波器的鲁棒性优于传统扩展卡尔曼滤波器。最后,为了进一步提高组合定位精度,本文提出基于多模型描述的DR/LiDAR组合定位算法,首先构建移动机器人运动和静止两个行进模型,在此基础上,通过使用交互式多模型算法(Interacting Multiple Model,IMM),通过计算两种状态下的置信度来将两种状态模型加权融合,以获得更好的定位精度。实验结果表明,使用IMM算法在机器人存在移动和静止两种行进状态时,IMM-EKF/PF算法对比EKF算法定位误差更小。通过本文的研究,实现了基于Li DAR和基于码盘,电子罗盘的DR两种技术相结合的组合定位系统,克服了仅使用DR技术时误差随时间累计的缺点。其次在数据融合阶段使用EKF/PF混合鲁棒算法,相较于仅使用单个滤波算法,定位性能均有提升,并且克服了仅使用EKF时定位效果受参数选择影响较大的特点。最后使用IMM算法和EKF/PF算法相结合建立两种机器人运动模型,能够对机器人存在运动和静止两种行进状态进行更精确的位置估计。