کاهش هم زمان خطای موقعیت ربات ونقشه توسط الگوریتم FastSLAM هوشمند و مقاوم بودن الگوریتم پیشنهادی در برابر افزایش نویز

یکی از الگوریتم هایی که برای حل مسیله موقعیت یابی و نقشه برداری همزمان ربات مورد استفاده قرار می گیرد. FastSLAM است که از الگوریتم های کارآمد مبتنی بر فیلتر ذره ای است. یکی از عوامل تاثیرگذار در بهبود عملکرد FastSLAM استفاده از روش هایی در گام بازنمونه برداری است که موجب حفظ تنوع ذرات و مقابله با مسیله فقر نمونه خواهد شد. در این مقاله برای مقابله با مسیله فقر نمونه از یک روش هوشمند تکاملی در گام بازنمونه برداری استفاده شده است که منجر به حفظ تنوع ذرات می شود. اعتبار روش پیشنهادی با استفاده از شبیه سازی ارزیابی شده است. نتایج آزمایش ها و مقایسه با الگوریتم پایه نشان دهنده ی عملکرد بهتر روش پیشنهادی نسبت به عملکرد FastSLAM2.0 معمول است و از نظر خطای موقعیت و خطای نشانه بهبود یافته است. همچنین الگوریتم پیشنهادی در مقابل افزایش نویز مقاوم است.

کلیدواژه ها:

تنوع ذرات ، فقر نمونه ، فیلتر ذرهای ، الگوریتم FastSLAM2.0