Development of a Cooperative Localization System using a UWB Network and BLE Technology
University of Perugia（佩鲁贾大学）
本文提出了一种系统的发展，能够估计在无线网络中的节点的2D相对位置，基于节点之间的距离测量。该系统采用超宽带测距技术和蓝牙低功耗协议进行数据采集。此外，一个非线性最小二乘问题，制定和数值求解估计的节点的相对位置。通过实验测试验证了该系统的定位性能，证明了测量由4个节点组成的网络的相对位置的能力，其精度为3 cm，更新速率为10 Hz。这表明该系统应用于多机器人协作定位和编队控制场景的可行性。
2022-12-13 cs.RO cs.SY eess.SY
Active Planning for Cooperative Localization: A Fisher Information Approach
University of California San Diego（加州大学圣地亚哥分校）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
位置感知网络将为现代便利、监控和公共安全引入新的服务和应用。在本文中，我们考虑在无线网络中的某些锚节点的位置可以控制的合作定位问题。我们引入了一种主动规划方法，旨在移动锚点，使未来测量的信息增益最大化。在控制层中，控制输入通过最小化近似逆贝叶斯Fisher信息矩阵（FIM）的迹来计算。估计层计算估计的代理状态，并提供高斯表示的边缘后验的代理位置的控制层的近似Bayesian估计计算。基于一个代价函数，累积贝叶斯预测在离散未来时间步的滑动窗口的贡献，滚动时域（RH）控制执行。近似，使其能够有效地解决由此产生的树搜索问题进行了讨论。一个数值的案例研究演示了智能行为的一个单一的控制锚在3-D的情况下，从而显着提高定位精度。
2022-12-30 cs.RO cs.SY eess.SP
Privacy-Preserving Decentralized Cooperative Localization with Range-Only Measurements: A Convex Optimization Based Approach
Department of Mechanical Engineering, Texas A&M University（德克萨斯A&M大学机械工程系）；Zachry Department of Civil & Environmental Engineering, Texas A&M University（德克萨斯A&M大学土木与环境工程系）；Computer Science & Engineering, Texas A&M University（德克萨斯A&M大学计算机科学与工程系）
针对多机器人系统在隐私敏感任务中的定位问题，提出一种基于凸优化的原生隐私保护去中心化协同定位框架，通过半定规划计算最大体积内接椭球，利用抽象对偶变量交换实现隐私保护，仿真验证了精度和可扩展性。
2026-06-29 cs.RO cs.SY eess.SY
Resilient and consistent multirobot cooperative localization with covariance intersection
University of California, Los Angeles（加州大学洛杉矶分校）
协作定位是自主多机器人系统的基础，但大多数算法耦合机器人间的通信与观察，使这些算法容易失败的通信和观察步骤。为了提高分布式系统中多机器人协作定位算法的适应性，本文利用协方差交集形式化了一种具有显式通信更新的定位算法，同时保证了估计的一致性。我们调查的协方差有界性标准，我们的算法相对于通信和观察图，证明甚至稀疏通信拓扑下的本地化性能。我们证实了我们的算法的弹性，以及有界性分析，通过实验模拟和基准物理数据对不同的通信连接和故障指标。特别是当机器人间的通信完全阻塞或部分不可用时，我们证明了我们的方法是受影响较小，并保持所需的性能相比，现有的合作定位算法。
2021-08-19 cs.RO
Distributed Fault-Tolerant Multi-Robot Cooperative Localization in Adversarial Environments
School of Computing, University of Georgia（佐治亚大学计算机学院）
针对对抗环境中的多机器人协同定位，提出分布式容错框架，采用自适应事件触发通信策略，提升定位精度与通信效率，具有良好扩展性和容错性。
2025-07-09 cs.MA cs.RO cs.SY
Multi-AAV Cooperative Path Planning using Nonlinear Model Predictive Control with Localization Constraints
IIIT Delhi（德里印度信息技术学院）；University of Cincinnati（辛辛那提大学）；IISER Bhopal（博帕尔印度科学教育与研究学院）
针对GPS拒止环境下多AAV协同定位与路径规划问题，提出结合MHE与带近似解析闭式协方差表达式的NMPC方法，可在保证定位精度的同时降低计算量，经仿真验证优于基于EKF的方案。
2022-01-23 cs.RO cs.SY eess.SY
Switching control of underactuated multi-channel systems with input constraints for cooperative manipulation
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出了一种事件触发的切换控制框架，用于具有输入约束的欠驱动多通道系统，通过混合整数线性规划解决通道分配、输入约束和稳定化问题，实现半全局指数稳定性和非握力协同操作的渐近稳定性。
2025-11-27 cs.RO cs.SY eess.SY
Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion
本文提出了一种去中心化协同定位框架，通过局部卡尔曼滤波和异步传感器融合实现多机器人系统的可靠定位，实验显示其在特征稀疏环境中优于集中式方法。
2026-03-12 cs.RO cs.SY eess.SY
An IMM-based Decentralized Cooperative Localization with LoS and NLoS UWB Inter-agent Ranging
University of California Irvine（加州大学欧文分校）
本文研究了一组通信移动代理（例如，第一响应者或探索机器人）经由超宽带（UWB）代理间测距辅助航位推算。我们提出了一个松散耦合的合作定位算法，作为一个增强顶部的本地航位推算系统的每个移动代理。只有当代理想要处理它所采取的相对测量时，这种增强才变得活跃。本文的主要贡献是解决的挑战，在适当的处理UWB范围测量的框架下，一个松散耦合的合作定位。尽管UWB在视距（LoS）测距中提供了分米级的精度，但由于测量中的显著未知正偏差，其精度在非视距（NLoS）中显著降低。因此，UWB LoS和NLoS测距条件的测量模型是不同的，并且NLoS测量的适当处理需要偏置补偿措施。我们还表明，在实践中，测量模式鉴别器决定UWB距离测量的类型应该是概率性的。考虑到概率性质的NLoS标识符处理UWB代理间测距反馈时，我们采用了交互多模型（IMM）估计在我们的本地化过滤器。我们还提出了一个偏置补偿方法的NLoS超宽带测量。我们的合作定位的有效性证明了通过一组行人谁使用UWB相对距离测量自己之间，以提高他们的鞋安装INS的地理定位实验。
2020-12-30 cs.RO eess.SP
Beyond the Vehicle: Cooperative Localization by Fusing Point Clouds for GPS-Challenged Urban Scenarios
Technical University of Munich（慕尼黑技术大学）；BMW Group（宝马集团）
本文提出一种融合点云的协作定位方法，通过多传感器和多模态数据提升GPS不可靠城市环境中的定位精度和鲁棒性。
2026-02-03 cs.CV cs.RO
Consistent Distributed Cooperative Localization: A Coordinate Transformation Approach
National Key Laboratory of Modeling and Simulation for Complex Systems, School of Astronautics, Harbin Institute of Technology（哈尔滨工业大学航天学院复杂系统建模与仿真国家重点实验室）
本文提出一种基于线性时变坐标变换的一致性分布式协同定位算法，使传播雅可比与状态解耦并适配服务器式分布式框架，在仿真与真实数据上验证了其在一致性和精度上优于现有方法。
2024-10-22 cs.RO
Robust Cooperative Localization in Featureless Environments: A Comparative Study of DCL, StCL, CCL, CI, and Standard-CL
1 Department of Electrical；Computer Engineering Institute for Systems
本文比较了五种协作定位方法在弱数据关联和鲁棒检测条件下的性能，发现StCL和Standard-CL误差最低但存在严重滤波不一致，DCL稳定性强，CI平衡性最佳，CCL理论上最优但易受异常值影响。
2026-03-12 cs.RO
A General Framework for Multi-vehicle Cooperative Localization Using Pose Graph
Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工学院科研联盟）；National University of Singapore（新加坡国立大学）；Massachusetts Institute of Technology（麻省理工学院）
当一辆车观察另一辆车时，通过这种空间相对观测将两辆车的姿态关联起来，可以用于协同定位，以进一步提高定位精度和精度。为了使用空间相对观测，我们建议将它们添加到姿态图中以进行最佳姿态估计。在添加它们之前，我们需要知道观察到的车辆的身份。将车辆识别问题转化为一个线性分配问题，可以有效地求解。通过使用姿态图技术和最先进的因素组合/分解方法，我们的合作定位算法是强大的通信延迟，数据包丢失，和无序的数据包接收。我们证明了我们的框架的可用性和我们的算法的有效性，通过模拟和现实世界的实验，使用三辆车在路上。
2017-04-05 cs.RO
Vehicle Top Tag Assisted Vehicle-Road Cooperative Localization For Autonomous Public Buses
Harbin Cambridge University（哈尔滨剑桥大学）
针对自动驾驶公交车在复杂交叉路口场景下的定位难题，提出车顶标签辅助车路协同定位方法，并给出标签检测与定位的具体解决方案，仿真验证了其有效性且具备广泛扩展潜力。
2025-08-08 cs.RO
Cooperative UWB-Based Localization for Outdoors Positioning and Navigation of UAVs aided by Ground Robots
University of Turku（图尔库大学）
随着对航空数据的需求不断增加，无人机（UAV）变得越来越普遍。在许多工业应用中，精确的数据汇集所需的精确导航和定位通常依赖于RTK GNSS。这些系统能够达到厘米级精度，需要设置和校准过程，并且相对昂贵。研究了无人机协同定位的精确定位与导航问题。安装在无人机和支持地面机器人上的廉价超宽带（UWB）收发器可以实现厘米级的相对定位。该系统具有快速部署和广泛的设置灵活性，能够适应不同的环境，也可以在拒绝GNSS的环境中使用。通过广泛的模拟和测试场，我们评估了系统的准确性，并将其与多路径传输降低准确性的城市环境中的GNSS进行比较。为了完整性，我们在实验中包括视觉惯性测距和比较的性能与UWB为基础的合作定位。
2021-04-01 cs.RO
Distributed Invariant Kalman Filter for Cooperative Localization using Matrix Lie Groups
George Mason University（乔治梅森大学）；University of California, Berkeley（加州大学伯克利分校）；University of California, Riverside（加州大学河滨分校）
针对多机器人三维协同定位，提出基于矩阵李群的分布式不变卡尔曼滤波器DInEKF，以独立于状态估计的雅可比提升一致性，并经仿真与实验验证。
2024-05-07 cs.RO cs.SY eess.SY
Factor-Graph-Based Passive Acoustic Navigation for Decentralized Cooperative Localization Using Bearing Elevation Depth Difference
Brigham Young University
针对水下多智能体定位难题，提出融合方位、仰角、深度差的因子图协同定位框架，经HoloOcean仿真验证精度优于航位推算，同时指出需引入鲁棒异常值剔除技术提升声信号定位可靠性。
2025-06-17 cs.RO
Prioritized Planning for Cooperative Range-Only Localization in Multi-Robot Networks
Massachusetts Institute of Technology（麻省理工学院）；Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所）
我们提出了一种新的路径规划算法，以减少定位误差的机器人网络合作定位通过机器人间的距离测量。利用距离测量进行定位的质量取决于网络的配置，并且差的配置可能导致大量的定位误差。为了减少网络配置对移动网络的定位误差的影响，我们考虑了Fisher信息矩阵（Fisher information matrix，简称HMF）的各种最优性测度，这些测度与定位误差之间的关系已经得到了很好的研究。特别是，我们提出了一个轨迹规划问题的约束条件的最优措施。通过约束这些最优性度量，我们可以控制定位误差的统计特性。为了有效地生成满足这些约束的轨迹，我们提出了一个优先级规划器，它利用基于图形的规划和独特的属性的范围内只有约束。我们在模拟实验中显示的结果表明，我们的算法生成的轨迹减少最坏情况下的定位误差高达42%相比，现有的规划方法，并可以可扩展地规划大量的机器人在复杂的环境中的距离有效的轨迹。
2021-09-10 cs.RO
Extended Version: Multi-Robot Motion Planning with Cooperative Localization
本文针对噪声下多机器人协作定位运动规划问题，提出一种考虑机器人间相关性且保证安全与概率完备性的采样规划算法，并通过偏置技术显著提升规划效率。
2025-04-08 cs.MA cs.RO
Communication-Free Obstacle Localization from Aggregate Wrench Measurements in Leader--Follower Cooperative Transport
Northeastern University（东北大学）
针对无通信协作运输中领导者无法区分跟随者个体反应的问题，提出一种跟随者控制律，使领导者能从聚合扳手测量中恢复障碍物位置，并给出精确恢复条件与自适应探测程序，仿真验证了其性能。
2026-10-07 cs.MA cs.RO cs.SY
Neural Enhanced Belief Propagation for Cooperative Localization
University of California, San Diego（加州大学圣地亚哥分校）
位置感知网络将为现代便利、应用海洋科学和公共安全引入创新服务和应用。在本文中，我们建立了一个混合的方法，基于模型和数据驱动的推理。我们考虑一个合作定位（CL）的情况下，在无线网络中的移动代理的目的是本地化自己与其他代理进行成对的观察和交换位置信息。分布式CL在大型代理网络的传统方法是信念传播（BP），这是完全基于模型的，是已知的遭受提供不一致（过度自信）的估计。所提出的方法解决了这些限制，通过补充BP与图神经网络（GNN）提供的学习信息。数值实验表明，该方法可以提高估计精度，避免过度自信的信念，而其计算复杂性仍然与BP算法相当。值得注意的是，通过不明确解决用于GNN训练的损失函数中的过度自信来获得更一致的信念。
2021-05-27 cs.LG cs.MA cs.RO
Underwater Surveying via Bearing only Cooperative Localization
University of South Carolina（南卡罗来纳大学）
纯方位合作定位已成功地应用于空中和地面车辆。在本文中，我们提出了一个扩展的方法，水下域。重点是调整技术，以应对水下具有挑战性的能见度条件。此外，利用来自惯性、磁性和深度传感器的数据来提高估计的鲁棒性。除了机器人应用，所提出的技术可用于洞穴测绘和海洋考古调查，无论是由人类潜水员。不同环境下的实验结果，包括淡水，低能见度，在南卡罗来纳州的湖泊，在佛罗里达州的洞穴，和珊瑚礁在巴巴多斯在白天和夜间，验证了所提出的方法的鲁棒性和准确性。
2018-09-10 cs.RO
Decentralized Cooperative Multi-Robot Localization with EKF
Southern University of Science and Technology（南方科技大学）
多机器人定位是机器人协同完成复杂任务的关键问题。在本文中，我们提出了一个分散的方法来本地化一组机器人在一个大的无特征的环境。所提出的方法只需要至少有一个机器人保持静止作为一个临时地标在一定的时间内。我们方法的新颖性有三个方面：（1）开发一种分散的方案，每个机器人计算它们自己的状态，并且只存储最新的状态，以减少存储和计算成本，（2）通过扩展的卡尔曼滤波器（EKF）开发一种有效的定位算法，该算法仅使用相对位姿的观测来估计机器人位置，（3）开发一种对地标要求更少，对观测不足更鲁棒的方案。使用五个机器人配备相对姿态测量传感器进行各种模拟和实验，以验证我们的方法的优越性能。
2018-11-19 cs.RO
Integrated cooperative localization of heterogeneous measurement swarm: A unified data-driven method
School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院）；Zhongguancun Laboratory（中关村实验室）
本文提出一种统一的数据驱动方法，用于解决异质机器人系统中协作定位问题，通过改进的相对定位估计和分布式姿态耦合策略，在弱连接有向拓扑中实现高效定位。
2026-03-24 cs.RO
Cooperative localization by dual foot-mounted inertial sensors and inter-agent ranging
Signal Processing Dept., ACCESS Linnaeus Centre, KTH Royal Institute of Technology（信号处理系，ACCESS林纳乌斯中心，皇家理工学院）
本文提出一种部分去中心化的系统架构，利用步进惯性导航和步进死 reckoning 降低计算和通信成本，实现大规模群体的协同定位。
2013-11-21 cs.MA cs.RO cs.SY
Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving
Graduate School of Information Science and Technology, The University of Tokyo（东京大学情报学系研究院）
针对传统LiDAR自定位在缺特征环境下可靠性不足的问题，提出利用搭载LiDAR的路侧单元（RSU）通过V2I通信实现协同定位的方法，在AWSIM中验证其精度最高提升80%且抗网络波动能力强。
2024-07-11 cs.CV cs.RO
Distributed Visual-Inertial Cooperative Localization
University of California, Riverside（加州大学河滨分校）；University of Delaware（特拉华大学）
在本文中，我们提出了一个一致的和分布式的状态估计多机器人合作定位（CL），有效地融合环境特征和跨时间和机器人的闭环约束。特别是，我们利用协方差交集（CI），让每个机器人只估计自己的状态和自协方差，并补偿机器人之间的未知相关性。两种新的多机器人方法，利用共同的环境SLAM功能的介绍和评估的准确性和效率。此外，我们适应CI，使漂移免费估计通过使用闭环测量约束其他机器人的历史姿势，而不会显着增加计算成本。所提出的分布式CL估计验证其非实时集中式对应广泛的模拟和现实世界的实验。
2021-08-17 cs.CV cs.RO
Mutual Localization: Two Camera Relative 6-DOF Pose Estimation from Reciprocal Fiducial Observation
SUNY at Buffalo（纽约州立大学布法罗分校）
同时估计多个摄像机或机器人的六自由度位姿--合作定位--是当代机器人学的核心问题。目前的工作集中在一组相互可观察的世界地标，往往需要内置的自我运动估计，在这两个假设被违反的情况下，经常出现，例如，错误的低质量里程计和IMU探索未知环境的机器人。与这些现有的合作定位工作相比，我们提出了一种合作定位方法，我们称之为相互定位，它使用相机基准点的相互观察来确定自我运动估计和相互观察的世界地标的需要。我们制定和解决这些假设下的两个摄像机相互定位设置的姿态的代数公式。我们的实验证明了我们的建议egomo-free合作定位方法的能力：例如，该方法实现了2cm的范围和0.7度的精度在2 m的6自由度姿态传感。为了证明所提出的工作的适用性，我们将我们的方法部署在Turtlebots上，并将我们的结果与ARToolKit和Bundler进行比较，我们的方法在翻译估计准确性方面提高了10倍。
2013-04-01 cs.RO
Beyond Line-of-Sight: Cooperative Localization Using Vision and V2X Communication
针对 GNSS 不可靠且遮挡严重的城市场景，提出融合视觉与 V2X 的去中心化协同定位观测器，并通过稳定性证明、实车实验和大规模仿真验证其有效性。
2025-07-28 cs.RO cs.SY eess.SY
DCL-Sparse: Distributed Range-only Cooperative Localization of Multi-Robots in Noisy and Sparse Sensing Graphs
School of Computing, University of Georgia（佐治亚大学计算学院）
本文提出DCL-Sparse框架，通过结合S1-Edge方法与UAV战略部署，解决GPS拒止环境下稀疏感知图的多机器人协作定位问题，使定位误差降低达95%。
2024-12-19 cs.MA cs.RO
Accurate Cooperative Sensor Fusion by Parameterized Covariance Generation for Sensing and Localization Pipelines in CAVs
Arizona State University（亚利桑那州立大学）
协同感知的一个主要挑战是对来自各种源的测量值进行加权，以获得准确的结果。理想地，权重应当与感测信息中的误差成反比。然而，以前的合作传感器融合方法的自主车辆使用一个固定的误差模型，其中的传感器及其识别器管道的协方差只是所有感知场景的测量协方差的平均值。本文提出的方法估计误差，使用关键的预测项，具有高相关性的传感和定位精度的准确协方差估计每个传感器的观察。我们采用了分层融合模型，包括局部和全局传感器融合步骤。在局部融合级，我们增加了一个协方差生成阶段，使用每个传感器的误差模型和测量距离来生成每个观测的期望协方差矩阵。在全局传感器融合阶段，我们增加了一个额外的阶段，从关键的预测项速度生成的定位协方差矩阵，并结合从本地融合准确的协作感知产生的协方差。为了展示我们的方法，我们构建了一组1/10比例的模型自动驾驶车辆，具有比例精确的传感能力，并根据运动捕捉系统对错误特征进行分类。结果显示，当使用我们的误差模型与典型的固定误差模型时，在四车辆合作融合场景中分别检测车辆位置为1.42 x和1.78 x时，RMSE的平均和最大改善。
2022-09-07 cs.MA cs.RO
Roadside LiDAR Assisted Cooperative Localization for Connected Autonomous Vehicles
The University of Tokyo（东京大学）
针对依赖高清3D点云地图的车辆LiDAR定位方法在地图缺失或特征不足时精度下降的问题，提出利用路侧LiDAR单元与V2I通信辅助网联自动驾驶车辆定位的方法，仿真显示其定位精度优于传统NDT扫描匹配方法。
2024-07-11 cs.RO
Evaluation of the Benefits of Zero Velocity Update in Decentralized EKF-Based Cooperative Localization Algorithms for GNSS-Denied Multi-Robot Systems
West Virginia University（西弗吉尼亚大学）
针对无GNSS多机器人系统定位问题，提出在基于DEKF的定位算法中协同使用零速更新，经仿真与真实实验验证，该方法可显著提升3D定位精度并帮助其他机器人恢复定位。
2023-06-30 cs.RO
Cooperative Localization under Limited Connectivity
University of California Irvine（加州大学欧文分校）
我们报告了两个分散的多智能体合作定位算法，其中，为了降低通信成本，代理间的状态估计相关性不保持，但占隐式。在我们的第一个算法中，为了保证过滤器的一致性，我们通过代理的联合协方差矩阵的上限来解释未知的代理间相关性。在第二种方法中，我们使用一个优化框架来估计未知的智能体间互协方差矩阵。在我们的算法中，每个代理本地化本身在一个全球坐标系中使用本地滤波器驱动的本地航位推算和偶尔的绝对测量更新，并机会主义地纠正其姿态估计，每当它可以获得相对于其他移动代理的相对测量。为了处理任何相对测量，只有进行测量的代理和进行测量的代理需要彼此通信。因此，我们的算法是分散的算法，不施加限制性的网络范围内的连接条件。此外，我们不对代理人或相对测量的类型做任何假设。我们证明了我们的算法在模拟和机器人~实验。
2019-07-21 cs.RO
Analysis of the Unscented Transform for Cooperative Localization with Ranging-Only Information
Department of Mechanical and Aerospace Engineering（机械与航空航天工程系）；West Virginia University（西弗吉尼亚大学）；Department of Aerospace Engineering（航空航天工程系）；Embry-Riddle Aeronautical University（艾姆伯-理德航空航天大学）
本文研究仅测距多智能体协同定位中，结合无迹变换与协方差交叉处理未知相关性和非线性的状态估计方法，并评估其在不同测量不确定性下的局限与效用。
2025-05-05 cs.RO
Fusion of Visual-Inertial Odometry with LiDAR Relative Localization for Cooperative Guidance of a Micro-Scale Aerial Vehicle
Multi-robot Systems Group, Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague, Technick\'a 2, Prague, 166 27, Czech Republic
本文提出融合视觉惯性里程计与LiDAR相对定位的协同导航方法，用于引导微型无人机，实现高精度轨迹跟踪和漂移抑制。
2026-03-04 cs.RO
Cooperative Circumnavigation for Multiple Unmanned Surface Vehicles Without External Localization
School of Aeronautics and Astronautics, Sun Yat-sen University (Shenzhen Campus)（航空工程学院，中山大学（深圳校区））
针对无外部定位的多无人水面艇，提出基于异构感知和耦合振荡器的协同环绕框架，利用最大相关熵卡尔曼滤波和伪线性卡尔曼滤波估计相对位置，实现指定半径的均匀圆形编队。
2026-06-03 cs.RO
Low-cost Multi-agent Fleet for Acoustic Cooperative Localization Research
Brigham Young University
针对水下多智能体自主性测试的高成本挑战，提出低成本可配置AUV平台CoUGARs，配备DVL和USBL以支持声学协同定位研究，开发容器化软件栈并完成模拟与原位测试。
2025-11-11 cs.MA cs.RO
CV2X-LOCA: Roadside Unit-Enabled Cooperative Localization Framework for Autonomous Vehicles
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Sun Yat-sen University（中山大学）
针对自动驾驶汽车在城市峡谷等GNSS拒止环境下的高精度定位难题，提出首个基于路侧单元的协同定位框架CV2X-LOCA，仅利用C-V2X信道状态信息即可在动态网络和噪声条件下实现车道级定位，并为RSUs部署提供投资决策参考。
2023-04-03 cs.CY cs.RO
Crowdsourcing Ubiquitous Indoor Localization with Non-Cooperative Wi-Fi Ranging
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出PeepLoc，一种仅依赖现有Wi-Fi设备和基础设施的室内定位方案，通过非合作ToF测距与基于PDR和众包的锚点引导机制，在4栋校园建筑中实现平均3.41米、中位3.06米的定位精度，优于现有室内系统并媲美室外GPS。
2025-07-05 cs.HC cs.NI cs.RO
Degradation-Aware Cooperative Multi-Modal GNSS-Denied Localization Leveraging LiDAR-Based Robot Detections
Multi-robot Systems Group, Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克技术大学电气工程学院控制学系多机器人系统组）；Turku Intelligent Embedded and Robotic Systems (TIERS) Lab, University of Turku（图尔库大学智能嵌入式与机器人系统实验室）
提出一种因子图框架下的自适应多模态多机器人协同定位方法，融合异步VIO、LIO和3D机器人间检测，通过插值因子和Wasserstein距离加权处理传感器退化，显著提升定位精度。
2026-05-27 cs.RO
Learning-based Measurement Scheduling for Loosely-Coupled Cooperative Localization
University of California Irvine（加州大学尔湾分校）
在协作定位中，通信移动代理使用代理间的相对测量，以改善他们的基于航位推算的全球定位。测量调度使智能体能够在其计算资源有限的情况下决定其应该处理可用的智能体间相对测量的哪个子集。最优测量调度是一个NP难的组合优化问题。所谓的顺序贪婪（SG）算法是一个流行的次优多项式时间解决这个问题。然而，SG算法的优值函数评估需要访问所有地标代理（代理可以从中进行测量的队友）的状态估计向量和误差协方差矩阵。本文提出了一种CL的测量调度，遵循SG方法，但通过使用基于神经网络的代理模型作为SG算法的价值函数的代理，降低了通信和计算成本。该模型的重要性在于，它是由本地信息驱动的，并且仅是来自地标代理的标量元数据。该解决方案从三个方面解决了SG算法运行的时间和内存复杂度问题：（a）减少智能体通信消息的大小，（b）通过使用更简单的代理函数降低函数求值的复杂度，（c）减少所需的内存大小。
2021-12-06 cs.LG cs.MA cs.RO
Reflection-Based Relative Localization for Cooperative UAV Teams Using Active Markers
Multi-Robot Systems Group, Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克技术大学电气工程系多机器人系统组）；Mohammed VI Polytechnic University（摩洛哥穆莱伊沙·穆莱·阿卜杜勒阿齐兹·本·阿卜杜勒阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐-middle Polytechnic University）
本文提出了一种利用环境中的主动标记反射进行无人机团队相对定位的新方法，无需预先知道机器人大小或标记配置，且能有效应对表面不规则性带来的不确定性，实验表明其在不同光照条件下具有更高的有效范围和精度。
2026-11-02 cs.RO
Measurement Scheduling for Cooperative Localization in Resource-Constrained Conditions
Shanghai Jiao Tong University（上海交通大学）；University of California Irvine（加利福尼亚大学尔湾分校）
研究了N个移动机器人在平面上进行协作定位时的测量调度问题。我们考虑的情况下，由于有限的车载资源，如电池寿命和通信带宽，只有一个给定数量的相对测量每个机器人被允许在观察和更新阶段。最优选择的队友的机器人应该采取相对测量，使更新的关节定位不确定性的团队是一个NP难问题。在本文中，我们提出了一个次优贪婪的方法，允许每个机器人选择其地标机器人在本地多项式时间。我们的方法，不同于文献中的已知结果，不假设CL算法的完全可观性。此外，它不需要在调度阶段的机器人之间的通信。也就是说，不需要机器人协作来执行地标机器人选择。我们讨论了我们的方法在一个国家的最先进的分散CL算法的背景下的应用，并通过数值模拟证明其有效性。即使我们的解决方案没有严格的性能保证，其低计算成本以及没有通信要求，使其成为一个有吸引力的解决方案，资源受限的机器人操作。
2020-01-20 cs.RO
KD-EKF: A Consistent Cooperative Localization Estimator Based on Kalman Decomposition
针对基于EKF的协同定位不一致问题，提出KD-EKF算法，通过将线性化系统转化为Kalman能观规范型分离能观与不能观分量，并在变换坐标系中估计以消除能观性影响因素，提升了定位准确性与一致性。
2023-10-21 cs.RO
Multi-Robot Target Monitoring and Encirclement via Triggered Distributed Feedback Optimization
University of Bologna（博洛尼亚大学）
本文提出一种嵌入ROS 2的触发式分布式反馈优化策略，使异构多机器人仅靠局部测量和异步通信即可协同监测包围目标并巡逻兴趣点，并通过仿真与实物实验验证其有效性。
2024-09-30 cs.RO
Collaborative Localization of Aerial and Ground Mobile Robots through Orthomosaic Map
Zhejiang University（浙江大学）
随着对SLAM系统研究的不断深入，提出了多机器人协同SLAM的可能性。提出了一种基于空地协同SLAM的地图匹配与定位方法。所提出的方法旨在帮助精确匹配由两个独立系统构建的地图，这些系统具有相同路线的大规模视点差异，并最终使地面移动机器人能够在无人机给出的全球地图中定位自己。它包括使用Elevation Map和Metashape软件进行密集映射，使用建议的模板匹配算法进行地图匹配，加权归一化互相关（WNCC）和使用粒子滤波器进行定位。该方法使地图匹配的合作SLAM与多个场景传感器的可行性，从立体相机激光雷达，是不敏感的两个系统的同步。我们证明的准确性，鲁棒性和速度的方法下的实验的航空地面数据集。
2020-12-04 cs.RO
A Cooperative Perception System Robust to Localization Errors
Tsinghua University（清华大学）
针对协同感知中共享位姿误差导致相对变换失准的问题，提出 OptiMatch 分布式对象级系统，利用最优传输匹配共视 3D 边界框并校正变换，显著提升定位与航向误差下的融合精度。
2023-04-26 cs.CV cs.MA cs.RO
Exploiting Redundancy for UWB Anomaly Detection in Infrastructure-Free Multi-Robot Relative Localization
University of Turku（图尔库大学）
针对多节点UWB相对定位抗干扰研究不足的问题，提出利用多机器人定位数据冗余、通过不同数据子集计算节点位置的异常检测方法，可识别并消除异常节点影响，鲁棒性强且计算开销可忽略。
2023-10-09 cs.RO
Integrating Inter-vehicular Communication, Vehicle Localization, and a Digital Map for Cooperative Adaptive Cruise Control with Target Detection Loss
Virginia Tech（弗吉尼亚理工大学）
自适应巡航控制系统（ACC）是一种先进的驾驶员辅助系统（ADAS），可使车辆以所需的车间距跟随。协同自适应巡航控制（CACC）是ACC的升级，它利用额外的车辆间无线通信来共享车辆状态，如加速，以实现更短的间隙跟随。ACC和CACC都依赖于雷达等距离传感器来获得实际的车间距，以进行间隙保持控制。由于视角有限，在弯曲的道路或陡峭的山坡上，距离传感器可能无法检测到目标、前车。不利的天气条件、目标选择失败或硬件问题也可能导致目标探测丢失。在目标检测丢失期间，车辆跟随系统通常回退到巡航控制（CC），其中跟随车辆保持恒定速度。在这项工作中，我们提出了一种替代方法来获得车辆间的距离在目标检测丢失，以继续车辆跟踪。该算法集成了车辆间通信，精确的车辆定位，和一个数字地图与车道中心信息，以近似的车辆间的距离。实验室机器人跟踪实验表明，该算法提供了理想的车间距离近似。虽然该算法是针对车辆跟踪应用的，但它也可以用于其他需要车辆相对距离近似的场景。这项工作还展示了我们在实验室内为联网和自动化车辆进行交通机器人仿真的开发工作。
2019-01-10 cs.RO
Decentralized and Fully Onboard: Range-Aided Cooperative Localization and Navigation on Micro Aerial Vehicles
Learning Systems and Robotics Lab（学习系统与机器人实验室）；Technical University of Munich（慕尼黑技术大学）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；University of Toronto Robotics Institute（多伦多大学机器人研究所）；Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）；Vector Institute for Artificial Intelligence（人工智能向量研究所）
本文提出了一种去中心化的基于距离的协作定位与导航方法，通过块坐标下降和因子图推断实现编队控制，适用于微航空器在复杂环境中的自主导航。
2026-02-19 cs.RO
Technical Report: Cooperative Multi-Target Localization With Noisy Sensors
University of Pennsylvania（宾夕法尼亚大学）
本技术报告是2013年IEEE机器人与自动化国际会议（ICRA）接受的论文“带噪声传感器的协作多目标定位”的扩展版本。本文讨论了一个未知数量的静态目标搜索的任务，在一个已知的障碍地图使用一组移动机器人配备了嘈杂的，有限的视野传感器。这种传感器可能无法检测到可见目标的子集或返回假阳性检测。这些测量集用于使用概率假设密度或PHD过滤器来定位目标。机器人在本地点对点的基础上相互通信，并通过接入点与服务器或云进行通信，交换测量结果和姿势，以更新他们对目标的信念并计划未来的行动。该服务器提供了一种机制来收集和综合来自所有机器人的信息，并将全局（尽管有时间延迟）的信念状态共享给接近接入点的机器人。我们设计了一个分散控制计划，利用这种通信架构和PHD表示的信念状态。具体来说，机器人移动，以最大限度地提高目标集和测量之间的互信息，自我收集和那些可通过访问服务器，平衡本地探索与共享知识的团队。此外，机器人与探索环境中同一局部区域的其他机器人协调其动作。
2013-02-15 cs.MA cs.RO
Cooperative Pollution Source Localization and Cleanup with a Bio-inspired Swarm Robot Aggregation
University of Tabriz（大不里士大学）；Sharif University of Technology（谢里夫理工大学）；Middle East Technical University（中东技术大学）；Czech Technical University（捷克技术大学）；The University of Manchester（曼彻斯特大学）
使用机器人探索极端和危险的环境有可能显着提高人类的安全。例如，可以部署机器人解决方案来找到化学品泄漏的来源并清洁污染区域。本文演示了一种概念验证的生物启发的探索方法，使用群机器人系统，这是基于两个生物启发的行为：聚合和信息素跟踪的组合。提出的工作的主要思想是遵循信息素的踪迹，找到化学品泄漏的来源，然后通过聚集在临界区进行去污任务。使用Mona机器人的模拟模型进行的实验，我们评估人口规模和机器人速度的群体在去污任务的能力的影响。结果表明，在极端环境下的勘探和清洁任务中部署机器人群的可行性。
2019-07-22 cs.RO
RADRON: Cooperative Localization of Ionizing Radiation Sources by MAVs with Compton Cameras
该研究提出了一种利用微型飞行器协同定位放射性物质的新方法，通过康普顿相机实时估计辐射源位置，即使在稀疏测量条件下也能实现高灵敏度检测。
2025-10-29 cs.AI cs.RO
