نقشه‌برداري و مكان‌يابي هم‌زمان با استفاده از داده ليزر و روش نقشه‌برداري سريع بدون‌رديابي با انطباق پويشي

Simultaneous Localization and Mapping Using Laser Data and Unscented FastSLAM with Scan Matching

مكان‌يابي و نقشه‌برداري هم‌زمان يكي از مسائل بنيادي در رباتيك است و تا كنون الگوريتم‌هاي بسياري ازجمله الگوريتم نقشه‌برداري سريع كه بسيار پركاربرد است و الگوريتم نقشه‌برداري سريع بدون‌رديابي كه جديدتر است، براي حل اين مسئله به‌كار گرفته شده‌اند. اگرچه در مقايسه‌هاي علمي، عملكرد اين الگوريتم بهتر از الگوريتم سريع ارزيابي شده‌است، هنوز ظرفيت‌هاي بررسي‌نشده زيادي در رابطه با اين الگوريتم وجود دارد. لذا در اين مقاله به موضوع ارايه اصلاحات براي بهبود الگوريتم سريع بدون‌رديابي و بررسي عملكرد آن پرداخته شده‌است. يكي از راه‌هاي افزايش دقت تخمين موضع ربات، مقايسه و تطبيق دو اندازه‌گيري متوالي و اصلاح موضع ربات به‌نحوي كه بهترين تطابق ميان دو اندازه‌گيري برقرار شود، است. اين روش كه انطباق پويشي ناميده مي‌شود براي بهبود عملكرد الگوريتم‌ها موثر بوده ولي تاكنون براي الگوريتم سريع بدون‌رديابي مورد آزمون قرار نگرفته‌است. در اين مقاله براي اولين بار از تركيب الگوريتم سريع بدون‌رديابي با انطباق پويشي براي مكان‌يابي و نقشه‌برداري هم‌زمان استفاده مي‌شود. براي ارزيابي تاثير انطباق پويشي، اين الگوريتم روي دو مجموعه داده ليزر به‌دست آمده در محيط شبيه‌سازي و آزمايش‌هاي عملي، پياده‌سازي و نتايج با حالت بدون انطباق پويشي مقايسه مي‌شوند. نتايج مقايسه نشان مي‌دهند كه افزودن انطباق پويشي به الگوريتم سريع بدون‌رديابي، دقت تخمين مسير و دقت نقشه را به مقدار قابل ملاحظه‌اي بهبود مي‌دهد. همچنين با بهبود سرعت الگوريتم انطباق داده، زمان اضافي لازم براي انجام انطباق پويشي جبران شده و سرعت كلي الگوريتم سريع بدون‌رديابي بهبود يافت.

Simultaneous localization and mapping (SLAM) is a fundamental problem in autonomous robotic. Many algorithms have been exploited to solve this problem, among these algorithms, FastSLAM is one of the most widely used and Unscented FastSLAM is one of the newest. Although in several scientific researches it is stated that Unscented FastSLAM outperforms FastSLAM, there are still unexamined potentials regarding Unscented FastSLAM. Therefore, this paper seeks to improve the overall performance of Unscented FastSLAM. Map accuracy and quality directly depend on the accuracy of localization and observations. In SLAM algorithms, robot pose is predicted using motion model, and then corrected using the difference between map features and recently observed features. Accuracy of pose estimation may improve by comparing two sequential observations and modifying robot pose to result in best match between them. This method is called scan matching and has been successfully combined with FastSLAM algorithm and some other SLAM algorithms not including Unscented FastSLAM. Therefore, this paper seeks to investigate the performance of Unscented FastSLAM combined with scan matching. Simulation results show that combining Unscented FastSLAM with scan match significantly improves accuracy of localization and mapping.