在一般意义上，所有计算机系统都位于，但传统系统存在于完全由人类确定的非常有限的明确定义的情况中。随着多智能体系统中的代理和适应性移动机器人的出现，定位仅成为研究的重要主题。显然，定位与自治问题密切相关。只有自治系统必须定位和定位自己并在各种情况下采取行动。这里的情况意味着来自环境的一系列影响，这些影响至少部分是不可预见的，但对系统非常重要，因此它必须以适当的方式作出反应。
定位系统必须解决两个主要问题，即如何感知情况以及如何选择适当的反应。对于仅在明确定义的环境中的软件代理而言，感知情况可能是相当简单的任务。但是，如果我们想到代理商在互联网上行事，那么事情变得更加复杂，因为这种环境是高度非结构化和动态的。更复杂的是用机器人感知。在这里，第一个物理信号将被转换为数据，这是他们可能委托给物理学家和工程师的任务。但是在下一步中，必须将来自各种来源的信号放在一起，以产生能够使位置系统做出适当反应的情况描述。
这项任务称为传感器融合，这就是AI方法的用武之地。从认知科学我们了解到，了解情境是一个非常复杂的过程，需要大量的背景知识和大量紧张的活动。大脑从不同的输入构建情境。我们对这个过程知之甚少，并且由于显而易见的原因，很难重建它。通过AI方法进行的模拟可能有助于深入了解它。如果可以进行模拟，它也可以由人工定位系统用于为自己的目的建立情境描述。
对于定位系统，构建情境描述的主要目的是将它们用于自己的活动。自我定位和定向的基本任务以及行动的派生任务只能基于情境描述来完成。另一方面，这意味着情境描述的构建总是旨在支持定位系统完成其任务，这不是目的。完整性或一致性等标准没有优先权，如果有助于选择适当的行动，则描述满足定位系统的需要。需要建立知识库，包括广泛的背景知识和相关知识块，这些知识不需要彼此一致，也不需要与背景知识保持一致。这些块中的知识甚至可以以不同的形式和不同的粒度来表示。必须开发用于选择正确知识块，用于组合它们以及用于将知识从一种形式转换成另一种形式的方法。
显然，定位系统必须具有选择动作序列的规划能力。他们还必须具备学习能力，因为如上所述，构成某种情况的影响在某种程度上是不可预见的。然而，新情况并非完全不同，而是在所有合理的环境中它们之间存在相似之处，因此学习，即检测和分类类似情况，是有意义的。学习可以改善定位系统的行为。
信息创造，自主性和位置性可以被视为未来人工智能研究和开发的重点。为了应对这些挑战，必须将许多单一方法集成到更大的系统中。因此，人工智能研究和开发的总体方向可以通过开发集成不同方法并满足三个要求的复杂系统来表征。