بهبود عملکرد الگوریتم EKF-SLAM در محیط‌های پویا با استفاده از ANFIS

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مهندسی مکانیک، دانشگاه علم و صنعت، تهران، ایران

2 دانشجوی کارشناسی ارشد، مهندسی مکانیک، دانشگاه علم و صنعت، تهران، ایران

چکیده

مسأله­ی مکان­یابی و نقشه‌کشی همزمان در محیط­های پویا موضوع مهمی در مبحث ناوبری ربات­های خودمختار می­باشد که هنوز تحقیقات زیادی در این زمینه انجام نشده است. در این مقاله، با ارائه­ی روشی جدید، اشیاء پویا در محیط را همزمان با وجود اشیاء ساکن ردیابی می­نماییم. برای این منظور الگوریتم EKFSLAM برای محیط‌های پویا توسعه داده شده است به طوری که مکان­یابی و نقشه­کشی همزمان و ردیابی اشیاء پویا در محیط در قالب یک مسأله حل می­شود، که قبلاً به صورت مجزا این کار انجام می­شد. همچنین با توجه به اینکه کارایی و عملکرد الگوریتم فیلتر کالمن توسعه­یافته وابستگی زیادی به دانش صحیح در مورد ماتریس کواریانس نویز مشاهدات دارد از یک سیستم تطبیقی نرو-فازی (ANFIS) به منظور تنظیم ماتربس کواریانس نویز مشاهدات استفاده شده تا دقت و پایداری الگوریتم را نسبت به سایر روش‌های قدیمی (SLAM and DATMO, FastSLAM, EKF) تضمین نماید. نتایج آزمایشات حاکی از آن است که عملکرد الگوریتم‌ پیشنهادی موجب ردیابی دقیق اشیاء در زمان اجرای SLAM در محیط پویا می­شود و از دقت و پایداری خوبی برخوردار است.

کلیدواژه‌ها

موضوعات

مراجع

  • نوروز, م., ابراهیمی, م., ارباب میر, م.، مروری بر روش‌های تلفیق سیستم ناوبری اینرسی و موقعیت یاب جهانی و بررسی رویکردهای نو در این زمینه. مهندسی مکانیک دانشگاه تبریز, دوره 48، شماره 3 – شماره پیاپی صفحه 365-369، 1397.
  • Durrant-Whyte H., and Bailey T., Simultaneous localization and mapping: part I. IEEE robotics & automation magazine 13, No. 2, 2006.
  • Montemerlo M., Sebastian T., Daphne K., and Wegbreit B., FastSLAM: A factored solution to the simultaneous localization and mapping problem. Aaai/iaai,
  • Bailey T. and Durrant-Whyte H., Simultaneous localization and mapping (SLAM): Part II. IEEE Robotics & Automation Magazine, 13, No. 3, 2006.
  • Karlsson N., Di Bernardo E., Ostrowski J,. Goncalves L., Pirjanian P. and Munich M., The vSLAM algorithm for robust localization and mapping. In Proceedings of the IEEE International Conference on Robotics and Automation, ICRA, 2005.
  • Lin M., Yang C. and Li D., An improved transformed unscented FastSLAM with adaptive genetic resampling, IEEE Transactions on Industrial Electronics 66, No. 5 pp. 3583-3594, 2018.
  • Tardós J. D., Neira J., Paul M. N. and Leonard J., Robust mapping and localization in indoor environments using sonar data. In 21th International Journal of Robotics Research, No. 4, 2002.
  • Xi W., Ou Y., Peng J. and Yu G., A new method for indoor low-cost mobile robot SLAM. In IEEE International Conference on Information and Automation (ICIA), 2017.
  • Sankrit H., Panwala B., Mudgal P. and Patil C., Indoor SLAM using Kinect Sensor. In 2th International Journal of Science Technology and Engineering (IJSTE), No. 10, 2016.
  • Shoudong H., and Gamini D., Convergence and consistency analysis for extended Kalman filter based SLAM. IEEE Transactions on robotics, 23, No. 5, 2007.
  • Mur-Artal R., Montiel J. M. and Tardos J., ORB-SLAM: a versatile and accurate monocular SLAM system. IEEE Transactions on Robotics,31, No. 5, 2015.
  • Whelan T., Kaess M., Johannsson H., Fallon M., Leonard J., and McDonald J., Real-time large-scale dense RGB-D SLAM with volumetric fusion. The International Journal of Robotics Research, Vol. 34, No. 4-5, 2015.
  • Wang C., Thorpe C., Simultaneous localization and mapping with detection and tracking of moving objects. In Proceedings 2002 IEEE International Conference on Robotics and Automation, 2002.
  • Bobruk J., and Austin D., Laser motion detection and hypothesis tracking from a mobile platform. In Conference on Robotics & Automation, 2004.
  • Wolf D. F., and Sukhatme G., Mobile robot simultaneous localization and mapping in dynamic environments. Autonomous Robots, 19, No. 1, 2005.
  • اسپهبدی نیا، س.، و خان‌میرزا، ا.، الگوریتم C-SLAM تطبیقی در محیط دینامیک. مجله مهندسی مکانیک دانشگاه تبریز، دوره 50، شماره 1- شماره پیاپی 90، صفحه 9-15، 1399
  • Oh S., Hahn M. and Kim J., Simultaneous Localization and Mapping for Mobile Robots in Dynamic Environments. In IEEE Information Science and Applications (ICISA), pp. 1-4, , 2013.
  • Bahraini M. S., Bozorg M., and Rad A. B. SLAM in dynamic environments via ML-RANSAC. Mechatronics, Vol. 49, pp. 105-118, 2018.
  • Chatterjee, A, and Fumitoshi M., A neuro-fuzzy assisted extended Kalman filter-based approach for simultaneous localization and mapping (SLAM) problems. IEEE Transactions on Fuzzy Systems, 15, No. 5, 2007.
  • Chatterjee, A., and Fumitoshi M., A Geese PSO tuned fuzzy supervisor for EKF based solutions of simultaneous localization and mapping (SLAM) problems in mobile robots. Expert Systems with Applications, 37, No. 8, 2010.
  • Havangi R., Nekoui M. A., and Mohammad Teshnehlab., Adaptive neuro-fuzzy extended Kaiman filtering for robot localization. In 14th International Conference (EPE/PEMC) on Power Electronics and Motion Control, 2010.
  • Havangi R., Teshnehlab M A., and Nekoui M. A., A novel adaptive neuro-fuzzy unscented kalman filter for SLAM. International Journal of Humanoid Robotics 8, No. 01, 2011.
  • Ankışhan H., and Efe M., Adaptive neuro fuzzy supported Kalman filter approach for simultaneous localization and mapping. In 19th Conference on Signal Processing and Communications Applications (SIU), IEEE, pp. 266-270., 2011.
  • Havangi R., Improved FastSLAM2. using ANFIS and PSO. Automatika, Vol. 57, No. 4, 2016.
  • Montemerlo M., and Thrun S., FastSLAM: A scalable method for the simultaneous localization and mapping problem in robotics. Vol. 27, 2007.
  • Bailey T., Mobile robot localisation and mapping in extensive outdoor environments. Phd. Thesis, University of Sydney, 2002.
  • Loebis D., Sutton R., Chudley J. and Naeem W., Adaptive tuning of a Kalman filter via fuzzy logic for an intelligent AUV navigation system. Control engineering practice, 12, No. 12, 2014.
  • Bailey T. and Juan N., [Online] Available: www-personal.acfr.usyd.edu.au/tbailey/software/index.html, 2004.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار