مروری بر روش های موقعیت یابی در ربات های خودران برای داده برداری ژئوفیزیک

در مطالعات ژئوفیزیکی، به ویژه در داده برداری های میدانی مانند رادار نفوذی زمین (GPR) و مغناطیس سنجی، موقعیت یابی دقیق ربات در محیط های فاقد سیگنال GPS از چالش های اساسی محسوب می شود. این مسئله در محیط های معدنی، زیرزمینی و یا مناطق دورافتاده، اهمیت دوچندان دارد. هدف این مقاله، ارائه یک مرور جامع از روش های موقعیت یابی احتمالاتی در ربات های خودران است که از الگوریتم های پیشرفته مانند SLAM، فیلتر کالمن، فیلتر کالمن توسعه یافته، و فیلتر ذره ای بهره می برند. ابتدا اصول کلی موقعیت یابی در ربات های خودران و مفهوم SLAM (نقشه سازی و مکان یابی همزمان) معرفی می شود، سپس ساختار فیلترهای احتمالاتی و نقش آن ها در مدل سازی نویزهای سنسوری ژئوفیزیکی بررسی می گردد. پیاده سازی های عملی در محیط های ROS و شبیه سازی در Gazebo مورد تحلیل قرار گرفته و دقت، پایداری و محدودیت های هر روش در سناریوهای داده برداری ژئوفیزیکی ارزیابی می شود. نتایج مطالعات اخیر (۲۰۲۳–۲۰۲۵) نشان می دهد که استفاده از روش های ترکیبی مانند EKF-SLAM در محیط های ROS۲ می تواند دقت مکانی را تا کمتر از ۵ سانتی متر افزایش دهد، درحالی که FastSLAM عملکرد بهتری در محیط های غیرخطی با موانع پیچیده دارد. از سوی دیگر، فیلترهای ذره ای به ویژه در شرایط "ربات ربوده شده" کارایی بالاتری در بازشناسی مکان دارند. این مرور با هدف تحلیل روند پیشرفت الگوریتم های موقعیت یابی در ربات های ژئوفیزیکی انجام شده است و نتیجه می گیرد که ادغام SLAM با داده های GPR و مغناطیس سنج در بستر ROS و Gazebo می تواند گامی موثر در افزایش خودمختاری و دقت داده برداری میدانی باشد.

کلیدواژه ها:

موقعیت یابی ، SLAM ، فیلتر کالمن ، ROS ، Gazebo ، ژئوفیزیک