移动机器人定位的分类
以下内容来自于Probabilistic Robotics
局部定位和全局定位
定位问题是以最初及运行期间可供使用信息的类型为特征的。随着难度的增加，分为三种类型的定位间题。
局部定位(local localization)又被称为位置跟踪(position tracking) , 假定机器入初始位姿已知，通过适应机器人运动噪声来完成定位机器人。此类噪声影响通常很微弱，因此局部定位经常假设位姿不确定性用单峰分布（如高斯分布）来近似。局部定位局限于在真实位姿附近的区域。
全局定位(global localization) , 认为机器人初始位姿未知。机器入最初放置在环境中的某个地方，但是缺少它的位置信息。全局定位的方法不能假定位姿误差的有界性，使用单峰概率分布通常是不合适的。全局定位比局部定位更困难，因为事实上它包括了位置跟踪。
绑架问题(kidnapping problem) , 是全局定位问题的一个变种，但是它更加困难。在运行过程中机器人被绑架，瞬间移动到其他位置。绑架机器人问题比全局定位问题更困难，因为机器人首先要判断自己是否被绑架了，再进行全局定位。具备从失效中恢复的能力对于真正的自主机器人来说是必不可少的。通过绑架机器人可以测试一个定位算法，可以用来衡量该算法从全局定位失效中恢复的能力。

静态环境与动态环境
静态环境(static environments) 是指在环境里只有机器人是移动的，环境里全部其他目标永远保持在同一位置。静态环境具有一些很好的数学特性，使得机器人服从高效概率估计。
动态环境(dynamic environments) 是指在环境里除机器人外，还有位置或配置随时间变化的物体。
根据环境与机器人的关系，动态环境又可以分为以下两种：

1. 低动态环境：环境发生了变化，但不在机器人的视野之中
2. 高动态环境：机器人视野范围内存在正在移动的物体

特别有趣的是，变化在整个时间上持续，并对一个以上传感器（雷达或者相机等外部传感器）的读数产生影响。
显然，动态环境定位比静态环境定位更困难。主要有两种方法适用于动态环境：第一，状态向量里可能会包括动态实体。因此，可能会调整马尔可夫假设，但是这一方法会带来额外的计算负担和建模复杂性负担。第二，在某些情况下，滤除掉传感器数据以便消除未建模动态因素的破坏作用。

被动方法与主动方法
被动定位(passive localization) 是指定位模块仅观察机器人运行。机器人通过其他方式控制，并且机器人运动不针对便于定位。
主动定位(Active localization) 是指算法控制机器人移动，以便最小化定位误差和／或最小化定位不良机器人进入一个危险地方引起的花费。主动定位方法往往能产生比被动定位方法更好的定位结果。

单机器人与多机器人
定位问题的第四方面与涉及的机器人数目有关。
单机器人定位(Single-robot localization) 是定位研究最常用的方法。它仅仅处理单一机器人。单一机器人定位便于在单一机器人平台上收集所有数据，并且不存在通信问题。
多机器人定位(multi-robot localization) 问题来源于机器入团队。乍一看，每一机器入能独立地定位自身，因此多机器入定位问题可以通过单一机器入定位解决。然而，如果机器人能相互探测，定位有可能做得更好。这是因为如果两个机器人的相对位置信息可供使用，一个机器人的看法可以用于影响另一个机器人的看法。多机器人定位问题引出了一些有趣的有意义的问题，即置信表示问题与两者之间的通信属性问题。

上述四方面捕获了移动机器人定位问题的四个最重要特性。还有其他特性会影响问题的难度，如机器人测量提供的信息和运动过程中信息的丢失。而且，对称环境比非对称环境更加困难，因为其具有更高的模糊性。