航位推算不依赖任何外部参照，只用上一时刻的位置、速度和自身运动测量值推算当前位置。它的精度随时间单调下降，因此几乎总是作为其他定位手段的补充而非主力。
航位推算的原理很朴素：知道刚才在哪、朝哪个方向走了多远，就能算出现在在哪。数据来源通常是轮式里程计和惯性测量单元（IMU），轮子转了多少圈、车体转了多少角度，积分出位移。
关键特性是误差累积。每一步的测量误差都会加到位置估计上，且永远不会被外部信息纠正。轮子打滑、地面不平、轮胎磨损导致周长变化，都会让推算结果越走越偏。在光滑地面上转弯打滑几度，几十米之后位置就可能偏出一米。
正因如此，航位推算很少单独使用。实际系统把它和激光匹配、视觉定位或 UWB 融合：航位推算提供高频、连续、短期稳定的位姿更新，外部观测负责周期性地把累积误差拉回来。
当激光被人群完全遮挡的那几秒钟，靠的就是航位推算撑住位姿连续性。融合算法会根据外部观测的可信度动态调整两者的权重，观测质量好时快速收敛，观测缺失时退回纯推算。
某服务机器人在展厅运行，观众围拢时激光雷达几乎看不到任何固定结构。系统在这段时间切换到以 IMU 和里程计为主的推算模式维持行进，人群散开后再用激光观测收敛回来。这套切换逻辑的有效时长约为 8 秒，超过之后必须停车。
选型时要问清楚一个数字：在完全没有外部观测的情况下，系统能撑多久还保持可用精度。这个时长决定了机器人能不能穿过遮挡严重的区域，也决定了传感器融合方案的设计余量。
实践应用
某展厅服务机器人在观众围拢时激光雷达几乎看不到任何固定结构。系统会切换到以 IMU 和轮式里程计为主的推算模式维持行进，人群散开后再用激光观测把位姿收敛回来。实测这套逻辑的有效维持时长约 8 秒，超过之后机器人必须停车等待。
优势
- 完全不依赖外部基础设施，任何环境都可用
- 更新频率高、延迟低，适合作为融合系统的高频输入
- 在外部观测被短时遮挡时能维持位姿连续性
- 硬件成本低，轮式编码器和 IMU 属于底盘标配
局限性
- 误差随时间单调累积，永远不会自我纠正
- 轮子打滑、地面不平、轮胎磨损都会直接放大偏差
- 无法单独作为定位主力使用
- 可维持的无观测时长有限，通常只有数秒量级
典型应用领域
AMR清洁机器人四足机器人服务机器人
常见问题
- 航位推算是怎么算出位置的？
- 用上一时刻的位置加上这段时间的位移。位移由轮式编码器和 IMU 测量的转速、加速度、角速度积分得到，全程不需要任何外部参照。
- 为什么航位推算不能单独用？
- 因为误差只会累积不会自动修正。轮子打滑或轮胎磨损导致的偏差会一直叠加，走几十米就可能偏出一米以上。
- 航位推算在实际系统里承担什么角色？
- 提供高频、低延迟、短期稳定的位姿更新，同时在激光或视觉被遮挡的几秒钟内维持位姿连续性，等外部观测恢复后再由后者纠正累积误差。
- 选型时应该关注哪个指标？
- 在完全没有外部观测的情况下，系统能维持多久的可用精度。这个时长决定机器人能否穿过遮挡严重的区域，也决定了融合方案需要多大的设计余量。