近几十年来,得益于计算机运算能力的增强,人工智能发展迅猛,智能机器人开始走入人们的日常生活。为了让移动机器人更好的服务于人类,首要任务就是让机器人知道自己在哪里,即机器人定位。论文提出了一种基于球面全景图像的移动机器人在特定行走路径中的自主定位方法。具体来说,首先对行走路径进行离散点采样,这些离散点对应于要定位的位置。然后,把球面全景照相机安装在移动轮椅机器人上,并分别在室内和室外两种场景下在所设置的位置点进行数据采集。本研究将定位问题描述为一个分类问题,其中每一个位置点对应于一个类别,并使用当前受欢迎的Res Net50分类网络验证了该方法的可行性。结果表明,仅基于单个位置点分类很容易造成相似场景之间的混淆,因此论文结合长短时记忆网络（LSTM）为机器人定位引入时序信息,从而提高定位性能。本文主要贡献如下:（1）将复杂的机器人定位问题转换为简单的位置点分类问题。可以当作分类问题来解决的原因有两点:第一,由于球面全景图像不仅具有360度全视野且具有旋转不变性,因此在每一个固定的采样点,捕获的图像所展示的内容与相机旋转（机器人的朝向）无关;第二,由于论文对路径在空间上做离散点采样,且每个离散点具有唯一的标签,因此不同采样点处所拍摄到的场景又彼此不同。实验结果表明,该方法对基于球面全景相机轮椅机器人的定位具有较高的准确率。（2）为基于分类任务的机器人定位引入时序信息。通过室内外数据的实验结果比较,论文发现基于单个采样点的单张图像的定位方法具有一定的局限性:当观察到相似的场景时,机器人可能会产生混淆。然而,人类往往会向前和向后走几步,通过观察来辅助识别自己的位置。因此,论文提出了一种通过结合相邻位置的图像来辅助当前位置识别的方法,即通过观察相邻场景来减少由视觉相似性所引起的定位模糊。论文基于卷积神经网络-长短时记忆网络（CNN-LSTM）构架实现了该想法。实验结果表明了该方法对机器人在相似场景下的精准定位问题十分有效。