بهبود حل مسئله slam مبتنی بر فیلتر ذره ای با استفاده از روش های محاسبات نرم و کلاسیک

مسئله موقعیت یابی و نقشه یابی همزمان (slam) یکی از نیازهای ضروری برای ربات های متحرکی است که در محیط های ناشناخته حرکت می کنند. حل مسئله slam بر اساس فیلتر کالمن توسعه یافته (ekf-slam) یکی از قدیمی ترین و محبوبترین روشها است. با وجود این، ekf-slam از دو مشکل عمده رنج می برد:پیچیدگی محاسبات و تناظر داده. برای حل این مشکلات روش های حل مسئله slam مبتنی بر فیلتر های ذره ای مطرح شده اند. عمومی ترین و موثرترین روش بر این اساس، الگوریتم fastslam است. علی رغم موفقیت های این روش، کاربرد آن برای نقشه های استاتیک دارای مشکلاتی می باشد که مهمترین آنها عدم سازگاری و تباهیدگی است .سابقه پژوهشی کارهای انجام شده نشان می دهد که تاکنون موفقیت نسبی این روش به دلیل نوع سنسورهای بکاربرده شده و نوع محیط های کار شده بوده است که تحت همین شرایط هم روش مذبور ناسازگار است.در این رساله راه حل هایی برای بهبود حل slam مبتنی بر فیلتر ذره ای پیشنهاد شده است. برای بهینه سازی از ویژگی های مشترک فیلتر های ذره ای و الگوریتم های تکاملی و همچنین سابقهخوب الگوریتم های تکاملی و سیستم های هوشمند در حوزه فیلترینک استفاده شده است. روش های ارایه شده به دو دسته کلی تقسیم می شوند: بهینه سازی روش های موجود و تجدید نظر در ساختار فعلی حل مسئله slam مبتنی بر فیلتر ذره ای. در اولین دسته، بهبود الگوریتم با بهینه سازی نمونه برداری، نمونه برداری مجدد، تخمین موقعیت نشانه ها و سازگاری فیلترهای پارامتریک محقق شده است. با توجه به اینکه یکی از مشکلات عمده الگوریتم های fastslam مربوط به ساختار این الگوریتم ها است، در دومین دسته به حل مسئله slam مبتنی بر فیلتر ذره ای با دیدگاه متفاوت نگریسته شده و نحوه حل آن مورد تجدید نظر قرار گرفته است. برای این منظور ابتدا مسئله slam از دیدگاه موقعیت یابی مطالعه شده و سپس مسئله slam به یک مسئله بهینه سازی تبدیل شده است. روش های پیشنهاد شده با استفاده از محیط های شبیه سازی شده و همچنین داده های تست های واقعی ارزیابی شده است. نتایج نشان دهنده موثر بودن روش های پیشنهاد شده می باشند.