原文来源第一次论文选读机器人工程实践这篇综述《A Review of Sensing Technologies for Indoor Autonomous Mobile Robots》的行文逻辑非常清晰总—分—总任务驱动从单传感器到多传感器从传统方法到学习/优化方法最后落到趋势与挑战。下面按“行文架构 内容详述”的方式总结。一、总体行文架构论文整体结构如下引言先搭AMR系统框架再收缩到感知。感知任务展开定位、建图/SLAM、障碍识别与避障。单传感器综述IMU、超声波、红外、LiDAR、视觉、射频。多传感器融合Kalman、粒子滤波、神经网络、其他方法。讨论与未来趋势如何选传感器、LiDAR vs 视觉、未来方向。其核心写作套路是先定义AMR需要哪些模块 → 说明感知为什么关键 → 把感知拆成定位、建图、物体/障碍识别等任务 → 再按传感器类型逐一介绍 → 最后讲多传感器融合和未来趋势。每一类传感器或算法基本遵循是什么 → 有哪些类别 → 如何实现 → 有什么用 → 优缺点 → 如何改进/代表工作。二、引言部分先搭AMR框架再聚焦感知论文开篇指出移动机器人基础包括四个模块Locomotion 运动运动系统设计涉及运动环境、可控性、效率、稳定性等。Perception 感知获取机器人工作环境和自身信息。Cognition 认知分析处理感知数据给运动系统提供控制方案。Navigation 导航依赖感知、认知和运动控制从起点到目标点。其中论文并没有详细展开locomotion、cognition、navigation而是粗略定义后迅速聚焦到perception。原因是感知是移动机器人安全高效执行任务的前提如果无法准确高效感知环境连简单任务也无法完成。接着论文把感知系统的主要任务概括为Localization 定位Map building 建图Object detection 物体检测Obstacle avoidance 避障Motion tasks 运动任务然后分别解释这些任务。1. 定位 Localization是什么估计移动机器人在运动过程中相对于周围工作区域的位置是导航的基础。类别惯性导航GPS主动信标/路标导航模型匹配如何实现/用途惯性导航利用响应惯性力的传感器数据。GPS卫星定位室外有效室内受非视距和信号遮挡限制。主动信标/路标利用已知位置的信标或路标通过相对位置关系定位如图1a。模型匹配将传感器数据与地图模型匹配例如2D LiDAR点云与占用栅格地图匹配如图1b。优缺点/改进GPS适用于室外导航但是在室内受到非线性光源和信号阻挡的问题。信标/路标需要部署维护。模型匹配依赖环境地图和传感器观测。2. 建图与SLAM是什么SLAM即同时定位与建图机器人在未知环境中确定自身位置同时构建环境地图。组成定位组件在已有地图上估计机器人位置。建图组件构建环境地图。两者相互依赖、迭代提升精度。常用传感器LiDAR和视觉相机。类别滤波方法如Kalman滤波SLAM、粒子滤波SLAM。流程见图2传感器数据→预处理→扫描匹配→状态估计→地图更新。滤波SLAM的流程论文Figure 2展示了滤波SLAM的典型流程Sensor data → Sensor data preprocessing → Scanning matching → State estimation → Map update逐步解释Sensor data传感器数据LiDAR、相机、IMU等原始数据。Sensor data preprocessing预处理去噪、去畸变、时间戳对齐等。注意这是一个递归的在线过程每一步只依赖上一时刻的状态和当前观测不需要像图优化那样保存所有历史节点再全局优化。Scanning matching扫描匹配把当前帧的观测与已有地图或上一帧观测进行匹配找出相对位姿变化。这是滤波SLAM的“观测模型”。State estimation状态估计用滤波器Kalman/粒子滤波融合运动模型预测和观测模型更新估计当前机器人位姿。Map update地图更新根据估计出的位姿把新观测到的特征加入地图更新地图概率分布。图优化方法前端后端。前端做特征提取、数据关联后端做位姿图优化。节点表示待优化变量边表示误差或约束如图3。改进/趋势强化学习让机器人逐渐摆脱先验地图限制仅通过图像输入判断导航动作。设置到达奖励、碰撞奖励、好奇心奖励等训练神经网络实现导航决策。3. 障碍避免与物体检测是什么机器人移动中必须避免碰撞避障是自主移动机器人关键任务。如何实现避障更关注机器人周围近距离物体的局部位置信息。范围传感器如超声波、LiDAR适合障碍检测。视觉相机可识别障碍甚至预测动态障碍轨迹。用途认知系统根据障碍距离和方向进行路径规划。4. 传感器分类论文把传感器分为本体感受/外部感受proprioceptive / exteroceptive。主动/被动active / passive。本体感受电机速度、轮转角等如编码器、加速度计、陀螺仪。外部感受图像、声波、无线信号如视觉、超声波、LiDAR。主动向外发射能量并测量反馈如声纳、LiDAR。被动测量进入传感器的环境能量如CCD/CMOS相机。三、单传感器技术详述第2节是全文最大篇幅按传感器类型逐一展开。每种传感器基本都按“原理—类别—实现—用途—优缺点—改进”来写。1. IMU 惯性测量单元是什么集成加速度计、陀螺仪、磁力计测量加速度、角速度、地磁方向。属于本体感受传感器。如何实现INS惯性导航系统用IMU做航位推算。根据初始位置、方向、速度对加速度和角速度积分得到轨迹如图4。dead-reckoning:推断位置优点输出更新率高。不受外部干扰。缺点依赖初始条件。误差随时间累积因为需要双重积分。磁力计精度低难以用于精确导航。改进与其他传感器融合作为辅助测量。例如IMU蓝牙磁力计IMU视觉EKF轮式里程计IMUUWBEKF。2. 超声波/声纳是什么频率高于20kHz的声波超出人耳上限。通常用于测距。类别/测距方式反射型发射→遇障碍反射→接收测距离。单向型发射器和接收器分置接收器接收发射器信号测距离。测距依据时间、相位、声振动。用途定位、导航、避障。优点低成本。对透明或反射物体如玻璃、镜子检测效果较好这是很多光学传感器的难点。缺点超声波波束太宽方向精度差。镜面反射导致距离计算不准。易受环境噪声影响。远距离强度衰减。难以测量环境细节特征。改进根据几何可靠性给声纳数据加权构建占用栅格地图。累积声纳数据实现房间级定位。多超声波传感器、全向超声、粒子滤波、Kalman滤波等。3. 红外传感器是什么红外是可见光与微波之间的电磁波。发射红外光束接收器测强度。强度随距离衰减也可用ToF测距。类别反射型、单向型。用途定位红外信标CCD相机、三角/三边测量、EKF融合。目标跟踪发射器和接收器装在不同机器人上。避障响应快、体积小。优点成本低、响应快、体积小。缺点难以穿透物体。易受周围环境、光源、反射影响。红外信标定位中障碍物可直接遮挡红外线。改进常作为辅助传感器与超声波、视觉等融合。4. LiDAR是什么激光探测与测距。发射多束激光遇物体反射接收后通过ToF测距获得周围信息。类别室内移动机器人主要用2D LiDAR3D LiDAR多用于智能驾驶。用途定位基于环境地图如与占用栅格地图匹配。SLAM无先验地图时用LiDAR点云估计位置并建图。障碍检测、行人检测、跟踪。优点测距精度高。测量速度快、距离远。相比视觉受光照变化影响小计算量相对小。缺点玻璃、镜面等透明/反射环境下误差大。2D LiDAR缺少高度信息。旋转机构长期稳定性可能受影响。改进玻璃墙环境预计算候选距离估计反射类型扫描匹配。与超声波融合提高玻璃/镜面检测。强度辅助SLAM、强度ICP、关键帧聚类去噪。3D LiDAR点云转为2D LiDAR点云降低计算量同时识别不同高度障碍。VLPLiDAR SLAM松耦合融合。论文表达上提出可以用 proposed devised presented等典型2D LiDAR SLAM方法Gmapping基于RBPF改进提议分布和选择性重采样。Hector SLAM基于EKF可不用里程计适合空中或不平地面但LiDAR旋转过快易漂移。Karto SLAM首个开源PGO算法稀疏Cholesky分解引入后端优化和回环检测适合大环境。Cartographer基于PGO子图回环检测局部与全局结合实时性好。5. 视觉传感器是什么模拟人类视觉捕捉、感知、解释可见光信息输出数字信号。主要类型单目相机双目相机RGBD相机事件相机光场相机表1总结单目成本低、易集成但不能直接提供深度。双目左右图像可立体视觉但标定复杂、计算复杂、深度范围有限。RGBD直接提供RGB和深度深度信息易受环境影响。事件相机以像素变化为事件高动态、低功耗但需预处理。光场相机加微透镜阵列提供尺度信息但计算量大难实时。实现/定位单目针孔模型通过帧间图像对比估计相机自身位置变化本质是对极几何问题Et^\wedge R,\ x_2^T E x_10Et∧R, x2TEx10八点法可求解深度靠三角化。双目/RGBD可直接获得深度用PNP算法六对匹配点即可估计位姿也可用P3P、EPNP减少点数。事件相机匹配时间、像素坐标、光强变化。神经隐式方法用函数或神经网络表示体素、网格、距离场等适合复杂纹理和动态场景如NICE-SLAM。视觉预处理去畸变。给特定物体分配语义标签。图像部分重建用GAN、扩散模型等减少光照、动态物体、阴影干扰。地图类型点云地图精度高但存储和构建成本大。3D占用栅格地图降低计算和存储适合大规模。TSDF地图截断符号距离函数适合RGBD精度高。语义地图加入语义信息利于人机交互、动态物体剔除。无地图导航基于图像和深度强化学习端到端感知决策轻量、适应动态环境但奖励机制和网络结构是挑战。障碍识别优势视觉相机能识别障碍提供丰富环境信息适合避障。6. 射频技术 RF用途室内移动机器人定位。系统由信标站BS和移动机器人组成。RF可穿透门墙覆盖建筑。类型WiFi、Bluetooth、Zigbee、UWB、RFID。NLOS 的字面意思LOS Line-of-Sight视距发射器和接收器之间没有遮挡信号直线传播。NLOS Non-Line-of-Sight非视距发射器和接收器之间有遮挡物墙、门、家具、人体等信号不能直线到达只能通过反射、衍射、穿透等方式绕过来。表2特点WiFi范围250m成本高实现简单、覆盖大、速率高但功耗高、精度有限、易受NLOS影响。Zigbee100m中成本极低能耗、低成本但速率低、延迟高、易受NLOS影响。Bluetooth100m低成本简单、低能耗但覆盖小、速率低、易受NLOS影响。UWB100m高成本高精度、高速率、低延迟、抗干扰、NLOS鲁棒但高能耗和系统成本。RFID5m低成本极低能耗、简单、特定方法下精度高但覆盖小、易受NLOS影响。定位算法几何法TOA、TDOA、AOA、RSSI如图6。TOA测传播时间需基站与机器人时间同步。TDOA测不同接收器到达时间差只需基站间同步。AOA测信号到达角。RSSI测接收信号强度用传播损耗模型算距离。指纹法预先建立指纹数据库实时匹配RSSI等特征。精度更高但建库工作量大接收站位置变化需重建。总结对比方法测量量几何原理最少基站数同步要求主要误差来源TOA传播时间圆交汇三边3基站与机器人同步时间同步误差、NLOSTDOA到达时间差双曲线交汇3仅基站间同步NLOS、多径AOA到达角射线交汇三角2无需时间同步角度误差、多径RSSI信号强度圆交汇三边3无需时间同步NLOS、多径、衰减模型不准指纹RSSI 特征向量数据库匹配不要求几何无建库工作量大、环境变化各RF技术改进WiFi优化指纹定位、深度模糊森林、WiFi视觉LiDAR粗定位。深度Deep指模型采用类似神经网络的“级联Cascade”结构。每一层由多个“模糊森林”组成将上一层输出的特征如信号强度进一步抽象和组合逐层传递从而学习到更深层、更复杂的表征。模糊Fuzzy指森林中的每棵“树”是“模糊决策树”。与传统决策树做“是/否”的硬划分不同模糊决策树允许样本以一定的概率或隶属度进入左右分支这能更好地处理WiFi信号强度中普遍存在的噪声和不确定性。森林Forest指集成了多棵模糊决策树通过“集成学习”来提升整体的稳定性和准确率。深度模糊森林该方法被设计为一个端到端的坐标回归器输入是移动机器人接收到的多个WiFi路由器的RSSI特征向量。深度模糊森林内部通过级联结构逐层提取特征。最终输出是预测的机器人坐标。论文指出该模型融合了决策树和深度神经网络的优点Zigbee参考节点三角布局精度高Zigbee RSSI里程计自适应滤波最小二乘校正RSSI。Zigbee 也是一种自组网、协同通信的技术具体来说低功耗Zigbee 设备在休眠和唤醒之间切换电池可以用很久适合传感器网络。低速率传输速率通常只有 250 kbps2.4 GHz远低于 WiFi。低延迟但比 WiFi 差论文指出 Zigbee 延迟较高不适合实时视频等大流量场景。自组网支持星型、树型、网状Mesh拓扑节点可以互相转发数据扩展覆盖范围。低成本芯片和模块便宜适合大规模部署。BluetoothRSSI三边测量精度约1mBLE 5.1 AOABLE易受干扰可与IMU融合。UWB梯度下降最小二乘TDOA高斯滤波加权INS/UWBIMMKalmanUWB里程计WAKFLiDAR/UWB多机器人SLAM。UWBUltra-Wideband超宽带是一种极短脉冲、极宽频带的无线通信技术。在论文的室内移动机器人定位部分它被列为射频RF定位技术中精度最高、对 NLOS 最鲁棒的一种。UWB 为什么精度高、抗 NLOS1. 时间分辨率极高UWB 脉冲极短接收端可以非常精确地分辨直射路径和反射路径的到达时间。传统 WiFi/蓝牙信号持续时间长多径信号会重叠在一起难以区分UWB 脉冲短多径副本在时间上分得很开容易剔除。2. 对 NLOS 鲁棒在 NLOS 环境下信号会反射、绕射。UWB 因为时间分辨率高能识别出最先到达的直射路径如果存在或者至少能更准确地估计传播时间因此距离误差比 WiFi、蓝牙、Zigbee 小得多。3. 抗干扰能力强UWB 频带极宽功率谱密度极低对其他窄带通信系统干扰小也不容易被窄带干扰影响。4. 低延迟、高速率UWB 可以支持很高的数据传输速率同时延迟很低适合实时定位。RFID粒子滤波、粒子平滑、线性最小二乘适合短距离目标跟踪识别。7. 单传感器总结论文表3总结IMU高频、抗干扰但需初始条件、误差累积。超声波低成本、不受透明/反射物体影响但远距离衰减、噪声敏感。红外低成本但易受环境光和反射干扰。LiDAR测距精度高但透明/反射环境受限。视觉信息丰富但计算量大、易受光照影响。RF环境和障碍影响小但不适合未知环境无法测朝向。四、多传感器融合第3节指出单一传感器难以满足复杂场景多传感器融合可取长补短提高定位精度、障碍识别效率等。常用融合算法包括1. Kalman滤波类适用高频、高精度动态数据融合。假设线性、高斯分布、噪声高斯时只需均值和方差迭代。卡尔曼滤波通常计算量更小在满足高斯分布假设的场景下极其高效。同样我们按照数据流向从左到右拆解这个流程1. 输入端多传感器信息图中有两路“Sensor information”输入上方输入Sensor information通常指外部环境传感器如激光雷达LiDAR、摄像头、GPS等。它的作用是提供绝对观测用来修正累积误差。左侧输入Sensor information通常指内部运动传感器如轮速计Odometry、IMU惯性测量单元。它的作用是提供相对运动用来推算下一时刻的位置。2. 预处理阶段匹配Matchmatch匹配上方传感器信息首先进入“match”模块。作用这通常是将当前传感器扫描到的环境特征比如激光点云与已知地图进行比对找出当前观测到的特征在地图中的实际位置。这一步的输出相当于一个观测值Measurement准备用来校正状态。3. 卡尔曼滤波核心阶段虚线框内虚线框内是卡尔曼滤波的两个经典步骤预测Prediction和更新Update。State prediction状态预测输入左侧的传感器信息通常是里程计/IMU和上一时刻的状态。原理根据运动学模型推算“如果机器人按照这个速度移动下一秒大概会在哪里”。这一步会增加系统的不确定性因为运动模型有误差且没有外部观测来纠正。输出预测的机器人状态先验估计和预测的协方差矩阵。State update状态更新输入上一步的预测状态 上方“match”模块传来的观测值。原理这是卡尔曼滤波的核心校正步骤。系统会比较“预测的位置”和“观测到的位置”并根据两者的置信度协方差进行加权平均。卡尔曼增益Kalman Gain算法会自动计算一个权重——如果预测很准不确定性小就更相信预测如果观测很准传感器精度高就更相信观测。输出更新后的机器人状态后验估计。这一步会减小系统的不确定性得到更准确的结果。4. 输出端Estimated state估计状态经过预测和更新后系统输出当前时刻最优的状态估计位置、速度、姿态等。流程预测更新如图7。改进EKF、UKF处理非线性。代表视觉SLAMLiDAR SLAMEKF惯性导航。超声波红外电子罗盘EKF避障。LiDARRGBD编码器IMUUKF。rank Kalman、迭代Kalman、LiDAR-惯性里程计。2. 粒子滤波类适用任意分布蒙特卡洛用粒子表示概率密度权重大表示匹配好。问题全局定位时粒子分布全图计算量大。改进粗定位精定位如图8。1. 输入端多传感器信息图的最左侧和最上方有多个输入源这就是“多传感器融合”的体现Sensor information传感器信息最左侧输入通常指激光雷达LiDAR、摄像头、毫米波雷达等环境感知传感器的数据。Sensor information (Odometry)里程计信息下方输入通常来自轮速计或IMU惯性测量单元用于提供机器人自身运动估计运动模型。Map地图上方输入提供环境先验信息用于和传感器观测数据进行匹配。2. 预处理与初始化阶段虚线框外Rough localization粗略定位这是算法的第一步。系统利用最左侧的传感器信息先粗略估算出机器人当前大概在什么位置。这一步通常计算量小但精度不高主要是为了给后面的粒子滤波提供一个初始的搜索范围。3. 粒子滤波核心阶段虚线框内虚线框内是经典的粒子滤波算法流程包含四个核心步骤Particle cloud generation粒子云生成根据上一步的“粗略定位”结果在机器人可能存在的空间内随机撒下大量的“粒子”Particle。每个粒子代表一个可能的位姿位置朝向。粒子云越密集初始覆盖范围越广。Particle motion simulation粒子运动模拟结合下方的里程计信息Odometry对每一个粒子进行运动学推演。也就是模拟“如果机器人真的在这个位置根据轮子转动和惯性它现在应该走到哪里了”。这一步会让粒子云随着机器人的移动而移动。Weight calculation权重计算这是最关键的一步。结合上方的地图Map和最新的传感器信息Sensor information计算每个粒子的权重。原理如果某个粒子所在的位置传感器探测到的环境与地图上的特征吻合度极高那么这个粒子的权重就高代表它更可能是真实位置反之如果探测结果与地图完全对不上权重就低。Resampling重采样根据权重淘汰掉那些权重极低位置不对的粒子并复制权重高的粒子。这样粒子云会逐渐向真实位置集中。重采样后粒子分布更加精准。4. 输出端Estimated state估计状态经过重采样后系统将所有粒子的状态进行加权平均或其他统计方式输出最终估算出的机器人状态通常是高精度的位置和姿态。总结一下它的工作逻辑先大概知道在哪粗略定位。撒一堆可能的位置点粒子云生成。根据运动模型让这些点动起来运动模拟。看看哪个点跟地图和传感器最吻合权重计算。把不吻合的点杀掉留下吻合的点重采样。输出最吻合的那个位置估计状态。这种架构的优点是抗干扰能力强能处理非线性、非高斯分布的问题非常适合在复杂环境中融合多种传感器如激光里程计地图来实现高精度的定位。CNN图像检索候选位置LiDAR AMCL精定位。文本语义粗定位LiDAR MCL。LiDAR双AprilTag粗定位自适应蒙特卡洛。3. 神经网络类优势自动提取特征避免手工设计泛化好、鲁棒适合非线性精度可能更高。如图9。如果说前两张图粒子滤波、卡尔曼滤波是基于模型Model-based的方法依赖于物理公式和概率统计那么这张图代表的是基于数据驱动Data-driven的方法。它不依赖人工建立的复杂运动学或观测方程而是让神经网络自己从大量数据中学习传感器之间的关联。我们同样按照数据流向从上到下拆解1. 输入端多源传感器信息Sensor information 1, 2, ..., n图上方有多个并列的输入箭头代表系统同时接收多种不同类型的传感器数据。这些传感器可能包括摄像头图像、激光雷达点云、毫米波雷达、IMU惯性测量单元、轮速计、GPS等。它们的数据格式、量纲、频率通常各不相同。2. 预处理阶段归一化NormalizationNormalization归一化这是数据进入神经网络前的关键预处理步骤。为什么需要不同传感器的数据范围差异巨大。比如图像像素值可能是 0-255IMU 的角速度可能是 -10 到 10 rad/sGPS 坐标可能是几百万的数值。如果不处理数值大的特征会主导网络训练导致模型无法收敛。作用将各种传感器的数据通过数学变换如 Min-Max 缩放、Z-Score 标准化等统一映射到相似的数值范围通常是 0-1 或均值为0方差为1。这样能加速神经网络的训练并提高最终精度。3. 核心处理阶段神经网络Neural NetworkNeural network神经网络归一化后的多路数据被送入一个神经网络模型具体是什么网络取决于任务可能是全连接网络 MLP、卷积神经网络 CNN、循环神经网络 RNN 或 Transformer 等。黑盒特性与卡尔曼滤波有明确的“预测-更新”公式不同神经网络是一个“黑盒”。它内部包含大量的权重参数Weights和偏置Biases。工作原理网络通过多层神经元对输入特征进行非线性变换和特征提取。在训练阶段它会通过反向传播算法学习如何将多传感器输入映射到正确的输出状态。它自动学习到了“在什么情况下该相信哪个传感器”以及“传感器之间的互补关系”。4. 输出端Estimated state估计状态神经网络最后一层的输出就是融合后的最终结果如机器人的位置、速度、姿态等。代表ANN融合声纳、罗盘、无线信号。LiDAR编码器三层网络。2D LiDARIMU的RCNN。相机2D LiDAR的FusionLoc多头上自注意力。RSSI磁力计MLP。超声波双目2D LiDARANN。4. 其他方法加权平均简单、实时但未考虑前后状态关系动态环境抗扰差。图优化SLAM中多传感器融合框架。如UWBLiDAR里程计两阶段优化先UWB节点和里程计边粗优化再LiDAR ICP精优化。能处理非线性但计算复杂度高通常回环或重定位时优化。三种算法大总结图7、8、9对比到这里你已经看完了多传感器融合的三类主流方法。我把它们放在一起对比帮你建立一个完整的知识框架特性图7卡尔曼滤波 (KF/EKF/UKF)图8粒子滤波 (PF)图9神经网络 (NN)核心逻辑概率统计高斯分布 线性/非线性模型蒙特卡洛随机采样 权重评估数据驱动学习输入到输出的映射依赖条件需要精确的运动模型和观测模型需要精确的运动模型和观测模型需要大量的训练数据真值标签计算复杂度中等取决于状态维数高取决于粒子数量推理时低训练时极高可解释性强每一步都有明确的物理意义强权重和重采样逻辑清晰弱黑盒模型难以解释内部决策适用场景线性/弱非线性系统传感器噪声稳定强非线性、多峰分布、全局定位传感器数据极其复杂、难以建模、有大量数据典型应用组合导航、GPSIMU融合机器人SLAM、蒙特卡洛定位自动驾驶端到端感知、多模态融合总结一下卡尔曼滤波是经典且可靠的“老大哥”适合大多数常规场景。粒子滤波是处理复杂、非线性环境的“特种兵”但计算成本高。神经网络是近年来的“新贵”它不依赖物理模型只要有足够的数据就能拟合出极其复杂的融合策略是目前自动驾驶和机器人领域非常热门的方向。五、讨论与未来趋势讨论如何选择传感器和算法IMU短时轨迹推算辅助其他定位。信标类RF、超声、红外可提供稳定绝对位置但需安装维护大规模部署成本高。LiDAR/视觉可精确定位但依赖环境信息环境变化时易受影响。SLAM中LiDAR计算量小、测距准、受光照小但信息少2D无高度旋转机构稳定性问题。视觉纹理丰富、结构稳定但受光照、动态、计算量影响。单目室内鲁棒性差。障碍检测视觉识别障碍信息丰富。超声波、LiDAR测距和位置精确。未来趋势多源信息融合单一传感器难满足复杂场景多传感器融合提高精度、效率、稳定性。灵活高效的优化策略针对复杂动态环境探索合适优化策略用并行计算、分布式计算提高大规模/多模态数据处理效率。与神经网络结合神经网络增强稳定性自学习能力可处理传感器干扰和环境因素但现有算法在不同室内场景中误差仍大。未来结合更多传感器、更复杂网络结构以及大语言模型和芯片技术。六、论文行文架构总结可以用一句话概括论文从AMR四模块出发粗略定义locomotion、cognition、navigation迅速聚焦perception然后把感知拆成定位、建图/SLAM、障碍识别与避障接着按传感器类型逐一介绍IMU、超声波、红外、LiDAR、视觉、RF再上升到多传感器融合的Kalman、粒子滤波、神经网络和其他方法最后讨论选型与未来趋势。其写作特点总—分—总先系统框架再任务和传感器再融合与趋势。任务驱动定位、建图、避障贯穿全文。单传感器到多传感器先分析各自优缺点再讲融合。传统到学习从滤波、图优化到神经网络、强化学习、大模型。每节模板化定义→分类→原理→用途→优缺点→改进/代表工作。图表辅助图1定位方法图2滤波SLAM图3图优化SLAM图4 IMU航位推算图5测距方式图6 RF定位图7-9融合算法表1视觉传感器表2 RF技术表3传感器特性。整体上这是一篇典型的“感知技术综述”先建立AMR系统语境再以感知任务为纲、传感器为目最后用多传感器融合和未来趋势收束。
