在人力成本增长和产品需求多样化的今天,采用机器人替换人的方式越来越受到制造企业的青睐,机器人技术也越来越受到国家的重视。相比于机械臂来说,移动机械臂[1-2]是一种新型机器人,它结合了自动导引运输车和机械臂的功能,同时避免了自动导引运输车需要自动导引装置和机械臂不能大范围移动的缺点,非常适合于执行机床上下料任务及物料入库任务。然而,我国的移动机械臂离成熟的工业应用仍有距离,关键原因之一在于:在复杂工业环境下,移动机械臂平台的定位系统难以满足可靠性和精度需求。为解决机器人定位问题,国内外学者提出了诸多算法。然而,这些算法很少针对工业应用的需求进行设计和优化。具体表现为:全局定位算法在大尺度环境下耗时太长且定位成功率不高,位姿跟踪算法在复杂工业环境下精度不够、可靠性不够。因此,本文围绕工业应用中的困难,进行以下研究并取得相应成果:针对大尺度环境下全局定位耗时的问题,本文提出基于凸集采样和多分辨率似然域分支定界的全局定位算法（CS-Bn BGL）。该算法采用了凸集采样来稀疏激光雷达数据,以及基于多分辨率似然域的分支定界来加速全局搜索。通过两个真实工业环境下的实验,验证了在近3000平米的环境中,本文的全局定位算法仅需要100ms左右即能完成全局定位,同时在上千次定位中获得了97%以上的定位成功率。针对复杂车间环境下难以精确位姿跟踪的问题,本文提出融合分支定界搜索的自适应蒙特卡洛定位算法（Bn B-AMCL）。该算法采用混合地图集来增强定位性能,无缝融合了基于多分辨率似然域的分支定界搜索算法和自适应蒙特卡洛定位算法（AMCL）,同时,采用了两次迭代最近点算法（ICP）来实现位姿精化。该算法可以解决粗糙且充满油污的路面导致的大里程计误差问题,以及机床等设备外表面的凸台结构导致的观测数据剧烈波动问题。另外,在无迹变换的基础上,本文提出无迹距离滤波（UDF）来缓解动态障碍物对定位的影响。在真实车间环境下,通过自主研发的移动机械臂持续两周共计463次机床上下料任务,验证了带UDF的Bn B-AMCL算法能够达到5mm/0.11deg的定位精度。针对特征稀少且对称的混淆环境导致的定位误差累计,本文设计了混淆特性栅格地图（AGM）,该地图建模了环境的混淆特性。另外,本文提出了混淆环境定位的动态贝叶斯网络,并在其基础上建立了基于混淆特性栅格地图的自适应蒙特卡洛定位算法（AGM-AMCL）。该算法采用了一种新的运动模型,本文称为传送门运动模型。当机器人离开混淆区域进入非混淆区域时,传送门运动模型显著提高了机器人恢复自身位姿的可能性。本文通过3个典型混淆环境中的定位实验,验证了AGM的有效性以及AGM-AMCL算法的定位成功率高于AMCL算法2倍以上。最后,为了进一步避免复杂环境对定位的影响,在上述算法的基础上,本文研究了采用反光板作为路标的定位算法。算法中包括:融合反光板信息的全局定位算法、精定位算法和位姿跟踪算法。全局定位和精定位算法是CS-Bn BGL和ICP的自然延伸。对于位姿跟踪算法,为了缓解错误的反光板识别对位姿跟踪的影响,本文将反光板识别过程集成到定位的观测模型中,进而给出REF-AMCL位姿跟踪算法。通过实际场景实验,验证了融合反光板信息的定位算法在精度和可靠性上均高于不采用反光板的定位算法。总之,通过上述研究,本文提出了一系列定位方法保证了复杂工业环境下移动机械臂平台的定位可靠性和精度。同时,本文的定位方法已成功应用于多个工业场景,为制造企业创造了价值。