بهبود موقعيت‌يابي و نقشه‌يابي هم‌زمان با استفاده از الگوريتم اجتماع ذرات و سيستم فازي - عصبي تطبيقي

Improving of Simultaneous Localization and Mapping using Particle Swarm Optimization and Adaptive Neuro-Fuzzy Inference System

مسئله موقعيت‌ يابي و نقشه‌يابي هم‌زمان (SLAM) يكي از نيازهاي اساسي براي ربات‌هاي خودمختار متحرك است كه در محيط‌هاي ناشناخته حركت مي‌كنند. الگوريتم UFast SLAM يك روش مؤثر براي اين منظور است. اين روش با به‌كاربردن تبديل خنثي، الگوريتم FastSLAM را بهبود مي‌دهد. با وجود اين، فرآيند نمونه‌برداري مجدد و اطلاعات آماري نامعلوم نويز فرآيند و اندازه‌گيري منجر به ناسازگاري مي‌شود. در اين مقاله، براي بهبود UFast SLAM از حيث دقت و سازگاري، الگوريتم UFast SLAM بهبود يافته با استفاده از الگوريتم اجتماع ذرات و سيستم فازي-عصبي تطبيقي (ANFIS) ارائه شده است. در روش پيشنهادي ANFIS به‌طور تطبيقي مشخصات آماري نويزها را تخمين مي‌زند و بر سازگاري نظارت دارد. درحالي كه الگوريتم اجتماع ذرات براي اصلاح نمونه‌ها استفاده شده است. مهم‌ترين امتياز الگوريتم پيشنهادي نسبت به ساير الگوريتم‌ها عملكرد بهتر آن از حيث دقت و سازگاري تحت شرايط مختلف است. به‌ويژه وقتي‌كه مشخصات آماري نويزها نامعلوم است، عملكرد ساير الگوريتم‌ها كاهش مي‌يابد درحالي كه روش پيشنهادي از دقت بالايي برخوردار است. به‌ علاوه، نسبت به ساير روش‌ها، روش پيشنهادي وابستگي كمتري به تعداد ذرات دارد و بنابراين با حجم محاسبات كم‌تر به‌دقت بيش‌تري مي‌رسد.

The simultaneous localization and mapping (SLAM) problem is a fundamental requirement for autonomous robots that moves in unknown environment. The UFastSLAM is effective way for this purpose. This method improves the FastSLAM algorithm using unscented transform. However, the resampling process and unknown statistical information process and measurement noise lead to inconsistency. To improve UFastSLAM in terms of accuracy and consistency, in this article, the improved UFastSLAM using particle swarm optimization (PSO) and adaptive neuro-fuzzy inference system (ANFIS) is proposed. In this method, ANFIS estimates adaptively statistical characteristics of the noises and supervises the consistency. While PSO is used to modify samples. Especially when the statistical characteristics of the noises are unknown, the performance of other algorithms decreases while proposed method has high accuracy. In addition, compared to other methods, the proposed method less dependent on the number of particles and thus it provides greater accuracy with less computational cost.