1.  定位原理

机器人定位是一个多种传感数据融合产生的结果。机器人会依据当前感知到的点云数据和地图特征去匹配，来确定自己的定位； 同时也会用惯导（轮速和IMU）来计算辅助定位。定位精度是厘米级。

传统的室内机器人定位手段比较单一，容易产生丢定位。 我们通过一些新型的多传感器融合技术手段，可以实现室内精准定位、导航、避障。

关于定位，我们有多种的防止定位偏差或丢失的措施：

1）  导航、定位、避障等核心规控功能，都是通过多传感器的数据融合判断，不依赖单一传感器。除了激光、深度，还有IMU惯导、轮速仪、RGB摄像头、超声 等传感都在起作用。多传感器数据来互相融合验证，确保定位精度；

2）  对于一些特殊场景，如阳光等强光对激光的干扰，通过信道分析，我们自研了基于特征距离的衰减算法，加上卡尔曼滤波等数据处理算法，通过DeepLearning训练模型，在对PointCloud数据处理的时候，会过滤掉干扰，确保精准的感知环境，在复杂场景下保证定位精准；

3）  更甚一些的情况，比如人为暴力改变机器人定位（比如强制推行、抱起放倒、关机后移动等等），导致定位出现偏差后，会有实时的纠偏算法，通过MachineLearning模型的特征点匹配，包括诸如LightFlow等方法，可以快速的确定和恢复定位；

机器人定位是一个多种传感数据融合产生的结果，多个传感器是相互补充和冗余备份的。每个传感器都有自身的一些优点和缺点，所以单一传感无法覆盖所有情况，需要其他传感来互相补充。机器人主要会依据当前多源感知到的点云数据，结合先验性的地图特征，用AI算法去匹配，来确定自己的定位； 同时也会用惯导单元（轮速和IMU）来计算辅助定位。定位精度正常可以达到厘米级甚至达到毫米级（采用更高精度的结构光传感器，可以达到分辨率0.1mm，成本稍高一些）。

我们有一个比较明显的优势，就是机器人底盘硬件+软件 及 业务软件全栈自研，所以从一开始就结合场景，在整体方案上做了整合和匹配。 因为我司主要技术研发团队，原来在国内自动驾驶头部企业，多个汽车品牌使用了我们的自动驾驶方案。 室内机器人，我们跨界使用了自动驾驶汽车的方案，室外因为更高速环境更复杂，所以技术方案更强壮和完善，沿用到室内可以降维解决传统室内机器人的问题，弯道超越。

2.  避障原理

会随时感知周围的情况，做局部的路径规划，绕开障碍。 图里的看到的深绿色的点就是障碍物，红色部分就是以障碍物为中心，以机器人半径长度算出来的膨胀区域，进入膨胀区域就必定会碰撞。依据这个来确定避障。