针对传统2D激光雷达建图存在空间环境信息获取不完全的问题，提出一种基于Gmapping算法融合固态激光雷达和2D激光雷达的建图策略。首先，对固态激光雷达点云数据进行平面投影，利用生成的激光数据结合Gmapping算法中最优粒子轨迹建立栅格地图后，再与最优粒子携带的栅格地图融合生成的融合地图，实现对空间障碍物的识别。其次，为提升建图精度，使用扩展卡尔曼滤波（EKF）对轮式里程计（WO）、激光里程计（LO）和惯性测量单元（IMU）进行动态权重融合，解决因车轮打滑或激光里程计在低特征环境下特征匹配失败等因素造成的融合里程计精度下降问题。最后，对融合地图和融合里程计算法进行测试实验。实验结果表明，融合地图可以正确识别空间障碍物，融合里程计在平均定位精度上相较于传统方法提升17.0%。

在应急救援和单兵作战等GNSS信号受限且无法建立导航定位基础设施的情况下，提出了基于惯性测量单元(IMU)的行人航位推算技术(PDR)测量行人步态信息，并结合此类任务多人行动的编队特点，利用超宽带(UWB)技术实施编队自组网与网内相互测距，建立PDR/UWB多行人扩展卡尔曼滤波模型(EKF)。通过测距信息对PDR进行约束，有效减缓了PDR定位精度随时间发散问题，实现了多人协同导航。试验表明，基于超宽带的集中式协同导航系统在不依靠基础设施的情况下，编队整体定位性能可提高30%。

面对城市低空复杂的电磁环境, 无人机在运行过程中GNSS信号极易受到干扰, 导致定位不准。为提高无人机定位精度, 提出一种基于扩展卡尔曼滤波的数据融合方法, 该方法在惯性导航系统的基础上, 与基于5G信号的三维定位相融合, 并对惯性导航误差进行修正。软件仿真表明, 该方法在缺少有效GNSS信号的情况下将姿态误差和位置误差控制在一定的范围内, 提高了无人机的定位精度, 视距下的平均位置误差为16.6 cm, 相比于融合前定位精度提升了49.7%, 使得无人机具有长时间较高定位精度, 具有一定的工程实用性。

针对扩展卡尔曼滤波算法在摄像机标定优化应用中，滤波精度较大程度地依赖于噪声协方差矩阵的准确性这一问题，提出了一种基于自适应扩展卡尔曼滤波算法的摄像机标定优化方法。以所检测到的二维棋盘格标靶上特征点的图像坐标作为自适应扩展卡尔曼滤波算法的观测量，摄像机的内、外参数作为状态量，将观测图像上的特征点进行逐点滤波运算，过程和观测噪声协方差矩阵在迭代过程中随着观测值和预测值之间新息的变化而更新，从而优化对应的摄像机参数。实验结果表明，经本文算法优化后获得的摄像机内、外参数具有较小的重投影误差，USB相机和工业相机的标定结果较张正友标定法分别提升了61.17%和12.17%，所提算法较无迹卡尔曼滤波算法和扩展卡尔曼滤波算法在噪声环境下具有更高的标定精度和更好的鲁棒性。

针对传统MEMS/GNSS组合导航在卫星信号差时长时间精准导航问题, 提出了基于灰色马尔可夫预测的MEMS/GNSS组合导航方法。通过改进灰色预测, 增加马尔可夫修正环节, 预测当卫星信号差时的GNSS量测值, 进而代替原量测值, 并将结果进行抗差扩展卡尔曼滤波(EKF), 克服噪声干扰影响, 提高了系统的稳定性。经仿真和跑车实验验证, 该组合导航方法在卫星信号差时仍能输出较高精度的导航结果, 且可以较好地克服异常观测值对系统的影响。

针对视觉同步定位与建图(SLAM)算法前端漂移误差累积问题, 提出基于光学成像模拟的视觉里程计方法。该方法利用稠密三维点云数据进行目标表面泊松重建及材质物理特性关联, 依据光学物理特性和光线追踪原理构建基于物理模型的成像渲染引擎(PBRT), 生成不同观测条件下的目标特性仿真图像; 将目标特性仿真图像与光学相机拍摄图像进行配准与运动偏差恢复, 并设计扩展卡尔曼滤波器(EKF)输出位姿状态最优估计值。通过原型系统研制与实验评估表明: 该方法有效克服了传统方法漂移误差累积的问题, 相较传统ORB-SLAM2算法前端定位精度提升了56%, 为视觉里程计的设计提供了一种新的技术思路。

针对光源调制引起的伴生调幅和相位偏移，直流光强、交流光强和调制深度的漂移以及载波相位延迟等因素对干涉型光纤水听器相位生成载波(PGC)解调结果的影响，本文提出了一种同时适用于PGC内调制和外调制的基于扩展卡尔曼滤波(EKF)参数估计的PGC解调方法(PGC-EKF方法)。结合考虑非线性因素影响的PGC解调模型，对传统的PGC解调过程进行改进，并引入基于EKF的椭圆拟合算法对该模型中的各未知参数进行估计；改进了现有任意椭圆一般方程的系数与其对应参数方程中参数的关系式的推导过程，修正了现有推导结果中错误的部分，简化了现有推导结果，并结合本文所用模型特点进行了进一步的推导。对PGC-EKF进行实验验证，结果表明，相比传统的PGC-Atan解调方法，本文提出的PGC-EKF方法将解调结果的信噪比提高了8.84 dB，总谐波失真降低了19.25 dB，信噪谐波比提高了17.16 dB，系统性能有了明显提升。实验结果说明PGC-EKF方法能够比较有效地解调出待测信号，并抑制上述因素引起的波形失真和交流干扰。

移动机器人空间定位是实现无人驾驶的重要环节，但仅使用单一传感器进行定位会产生定位误差，且误差会不断累积。为提高对移动机器人的空间定位精度，提出了一种融合3种传感器的空间定位方法，即激光雷达（LiDAR）、惯性测量单元（IMU）、光电编码器三种传感器。首先，采用扩展卡尔曼滤波算法融合了基于距离流算法的光电里程计信息、IMU偏航数据信息及双光电编码器的轮式里程计信息；其次，通过对扩展卡尔曼滤波进行差分改进来消除在融合过程中因存在两个绝对姿态信息而产生的振荡现象；最后，在自主搭建的无人驾驶轮椅移动平台上对优化后的定位精度进行了实验验证。经多次重复实验的结果表明，多传感器融合优化后的轨迹在定位偏差最值和绝对误差均值方面均较真实运动轨迹有明显降低，且环境越复杂优化效果越好，表明所提方法可有效提高无人驾驶轮椅的空间定位精度。