随着机器人、无人机、无人驾驶、边缘设备以及各种传感器技术的发展，多机器人组成的网络在各种应用中具有巨大的潜力。机器人通过沟通、观察和协作形成彼此的网络，这可以在探索、救援、消防、运输和许多其他任务中发挥重要作用。而机器人自主定位的能力则是完成这些任务的基础。因此，多机器人的精确定位问题引起了研究者们极大的兴趣。
全球导航卫星系统（GNSS）近年来发展迅速，出现了GPS、北斗、GLONASS和伽利略等几个可靠的系统。GNSS已被广泛用于定位，并且可以给出机器人的绝对位置。RTK（实时运动学）技术可以帮助GNSS定位达到厘米级精度。这为自动驾驶和自主导航提供了很大的帮助。但是，GNSS 在许多恶劣环境中变得不可靠或不可用，例如室内、地下、外层空间和战场。相对定位是利用机器人之间的测量来定位网络中机器人的另一种方法，无需来自外部的信息。相对定位算法可分为集中式和分布式（或分散式）。
在集中式系统中，所有机器人都将其数据报告给中央服务器。然后，中央服务器处理计算任务并将定位结果返回给所有机器人。在这种集中方式中，机器人在定位任务中扮演传感器的角色，并没有充分利用它们的计算能力。此外，中心节点必须承担巨大的计算和通信成本，并且容易产生延迟，这对于实时性要求高的机器人来说是无法达到要求的。
在分布式相对定位中，每个机器人计算其相对于相邻机器人的位置，并且群体中没有中心站。每个机器人只有本地信息或通过与相邻机器人通信获得的局部信息；通常，没有全局信息可用。请注意，分布式相对定位算法不仅来自对集中式算法进行分区，而且通常需要额外的传感、通信、网络等设计。
起初，在没有全局定位信息可用的情况下，机器人的分布式相对定位依赖于相对观察。对机器人的观察可以分为两类：（1）机器人之间的观察和（2）对环境特征的观察。机器人之间的观察包括范围、角度和其他可以估计相对状态的测量值。环境测量信息包括提取环境特征点、估计环境地标的位置以及使用传感器（如摄像头和激光雷达）创建环境地图。
环境信息还可以在机器人之间产生观察结果。例如，可以使用现有地图或地标检测机器人间闭环。机器人感知和数据处理模块作为定位系统的前端，对分布式相对定位框架中的通信和求解模块具有重要影响。
其次，在分布式相对定位中，需要通过通信模块传输邻域的状态信息。每个机器人在网络中的观察范围有限。每个机器人都需要与其相邻机器人通信以获取更多信息，从而协作定位自己。在这个过程中，机器人节点需与其相邻机器人通信，以便信息在网络中流动。高效的通信可以使机器人能够及时接收来自相邻机器人的信息更新，从而避免因数据包丢失或通信延迟而导致的错误[12]。
第三，分布式计算是多机器人网络中分布式相对定位的核心部分。每个节点计算其与邻居的相对位置，机器人需要同步其估计值，以便在网络中生成一致的相对定位结果。这种进步通常涉及状态传播和状态迭代。
由于上述原因，分布式相对定位系统与集中式网络定位相比具有许多新的挑战。第一个挑战是有必要设计分布式和高效的通信协议。第二个挑战是每个节点都与其邻居构建一个局部图，这可能是稀疏的。与密集网络相比，稀疏网络中的可定位性很难满足。更重要的是，每个机器人必须在没有全局信息的情况下计算其坐标，并且是通过邻域通信和状态迭代来计算。分布式定位算法是机器人领域的新兴研究课题。如何设计高精度、高效率、高鲁棒性的分布式相对定位算法，仍然是一个悬而未决的研究课题。
由于定位算法设计与传感器测量信息紧密耦合，因此我们根据测量方法对本调查中的文献进行分类和讨论。具体来说，我们将分布式相对定位分为三类：基于距离的定位、基于方位的定位和多重测量融合。在每种类型中，分析了不同的算法和系统设计。此外，我们发现SLAM作为近年来新兴的研究课题，也涉及大量的定位算法研究。
本调查对分布式多机器人SLAM算法进行了研究和分析。本次调查还深入讨论了分布式定位的关键问题，包括定位网络组织、通信、鲁棒性、当前研究的挑战、未来趋势和实验平台。
据了解，这项工作是第一次对多机器人网络的分布式相对定位算法进行彻底的调查。主要贡献如下：
· 本文总结了分布式多机器人网络相对定位方法，并根据其设计方法和测量类型对各种方法进行了分类。详细介绍了每种类型的分布式相对定位算法。分析比较了每种分布式相对定位算法的优点和局限性。
· 研究了分布式定位算法中的关键问题，即定位子网组织、通信效率和分布式定位的鲁棒性。
· 对主流的仿真实验平台进行了研究，并从不同方面分析了每个平台的特点，可为研究人员进行仿真实验提供参考。
