AGV小车系统的误差补偿算法主要有以下几种：
卡尔曼滤波算法
预测：使用AGV机器人在时刻(k)和因为控制输入(u(k))产生的移动，预测AGV机器人在时刻(k + 1)的角度。
测量预测：利用所预测的机器人坐标位置和地理坐标产生的预测特征的观测为(Z)，预测的特征转换到传感器框架内的机器人位置表达式为(\hat{Z}(k + 1)=h(Z(k + 1|k)))。
匹配：匹配步骤其实具有辨识的作用，在形式上，匹配过程的目的，就是产生一个从观测(Z(k + 1))到目标(Z)的分配。相应于观测所找到的测量预测，我们计算修正(v(k + 1))。修正是预测和观测之间差别的度量：(v(k + 1)=\hat{Z}(k + 1)-Z(k + 1))。
估计：根据角度预测和在时刻(k + 1)的所有观测，计算机器人位置的最佳估计(\hat{X}(k + 1|k + 1))。卡尔曼公式可以被写成为：(\hat{X}(k + 1|k + 1)=\hat{X}(k + 1|k)+K(k + 1)\cdot v(k + 1))。
视觉定标方法
识别QR码：通过相机识别到QR码后，提取QR码特征点在网络中的位置。
计算偏差：计算当前QR码与AGV小车之间的位置偏差和姿态对AGV小车校正。
S形曲线修正算法
记录路程差：通过左右编码器记录的路程差对AGV小车进行位置偏差校正。
反距离加权空间插值与补偿方法
寻找立方体网格：寻找该补偿点(p)所在的立方体网格。
计算距离：求出待补偿点(p)理论坐标与所在的立方体网格(8)个顶点的实际定位坐标之间的距离(d_i(i = 1,2...8))。
求得权值：通过反距离加权求得待补偿点(p)相对于立方体各顶点的权值(k_i(i = 1,2...8))。
加权平均：根据该待补偿点(p)相对于立方体(8)个顶点的权值(k_i)，在(x,y,z)三个方向上对实际定位误差分别进行加权平均，得到待补偿点(p)在(x,y,z)三个方向上的预测误差(\delta x、\delta y、\delta z)。
反向迭加：对待补偿点的理论位置反向迭加其定位误差的预测值，得到误差反向修正后的定位坐标(x′、y′、z′)。
基于运动学参数模型的误差补偿方法
坐标系建立：获取机器人上一个动作后，机器人上的末端执行器停留时的所在位置，并建立坐标系。
参数模板建立：建立机器人的运动学参数模型，包括运动学正逆解、雅可比矩阵和海森矩阵；根据机器人的关节刚度，结合雅可比矩阵和保守刚度转换理论，建立机器人受重力、惯性力和外力的刚度矩阵(k)；在运动学和刚度基础上，建立机器人的动力学模型。
建立运动轨迹：根据机器人所要运动位置的终点，选取坐标系中一点为其运动终点，并在机器人停留位置和运动终点之间建立运动轨迹。
运动执行：机器人根据建立的运动轨迹进行运动，当机器人运动接受后，末端执行器将此时所停留位置与原先设定位置进行对比，判断其误差值。
误差补偿：误差值大于预设值时，带动机器人运动重复操作上述步骤，根据机器人的运动参数模型设定机器人下一步的运动轨迹和参数，对误差进行补偿，直至机器人运动后位置的误差值小于预设值；当误差值小于预设值时，机器人执行下一步骤。
