موقعيت‌يابي ربات بر اساس فيلتر ذره‌اي بهبود يافته با فيلتر كالمن گروهي هوشمند و گام MCMC

Robot Localization based on Modified Particle Filter with Intelligent Ensemble Kalman Filter and MCMC Step

مسئله موقعيت‌يابي يكي از نيازهاي ضروري براي ربات‌هاي خودمختار است. روش‌هاي مختلفي براي موقعت يابي ارائه شده است كه موقعيت‌يابي بر اساس فيلتر ذره­اي يكي از مؤثرترين روش‌ها است. با­وجود­اين، اين روش داراي مشكلاتي كه مهم­ترين آن­ها عدم سازگاري، تباهيدگي و وابستگي به مشخصات آماري نويزها است. براي حل اين مشكلات، در اين مقاله، يك الگوريتم موقعيت‌يابي مبتني بر فيلتر ذره‌اي بهبوديافته با فيلتر كالمن گروهي هوشمند IEnKF و گام ماركوف چاين مونت­كارلو (MCMC) پيشنهاد شده است. در اين روش، تابع توزيع پيشنهادي با استفاده از IEnKF ايجاد مي‌شود كه يك سيستم فازي - عصبي تطبيقي بر عملكرد آن نظارت دارد. به ­علاوه بعد از نمونه برداري مجدد، از گام MCMC براي افزايش تنوع ميان ذرات استفاده شده است.

The localization problem is a fundamental requirement for autonomous robots. Different methods are proposed for localization that particle filter based localization is most effective methods. However, this method has problems of inconsistency, degeneracy and dependence on statistics of noises. To solve these problems, in this paper, the modified particle filter based on localization with intelligent ensemble Kalman filter (IEnKF) and MCMC step is proposed. In this approach, the proposal distribution is created using IEnKF that an adaptive neuro-fuzzy supervised its performance. In addition, to increase diversity of particles after resampling, MCMC step is used.