La navegación autónoma de robots móviles contiene tres partes: la construcción de mapas, la localización global y la planificación de rutas. Los datos de posición precisos afectan directamente la precisión de la localización global. Sin embargo, los problemas de error acumulativo de los sensores y diversas estrategias de estimación hacen que la posición tenga una gran discrepancia en la precisión de los datos. Para abordar estos problemas, este documento propone un método de calibración de posición basado en localización y registro de nubes de puntos, llamado L-PCM. En primer lugar, el método obtiene los datos del odómetro y de la IMU (unidad de medida inercial) a través de los sensores montados en el robot móvil y utiliza el algoritmo UKF (filtro de Kalman sin ruido) para filtrar y fusionar los datos del odómetro y de la IMU para obtener la posición estimada del robot móvil. En segundo lugar, el AMCL (localización de Monte Carlo adaptativa) se mejora combinando el modelo de fusión UKF de la IMU y el odómetro para obtener la posición inicial global modificada del robot móvil. Finalmente, se utiliza el registro de nubes de puntos PL-ICP (punto a línea - punto más cercano iterativo) para calibrar la posición inicial global modificada y obtener la posición global del robot móvil. A través de experimentos de simulación, se verifica que el algoritmo de fusión UKF puede reducir la influencia de los errores acumulativos y que el algoritmo AMCL mejorado puede optimizar la trayectoria de la posición. El valor promedio del error de posición es de aproximadamente 0.0447 m, y el valor promedio del error de ángulo se estabiliza en aproximadamente 0.0049 grados. Mientras tanto, se ha verificado que el L-PCM es significativamente mejor que el algoritmo AMCL existente, con un error de posición de aproximadamente 0.01726 m y un error de ángulo promedio de aproximadamente 0.00302 grados, mejorando efectivamente la precisión de la posición.