رویکردی جدید در بهبود دقت مکانیابی و نقشه سازی همزمان با استفاده از نقشه نسبی

در این مقاله با پیشنهاد توسعه دو رویکرد در نقشه نسبی، مکان یابی و نقشه سازی همزمان (مونه) بهبود داده می شود. پیاده سازی مونه مبتنی بر فیلتر کالمن توسعه یافته در محیط های بزرگ بواسطه حجم زیاد محاسبات امکان پذیر نیست. از طرف دیگرچون مدل حرکت و مشاهده رباتها معمولا غیر خطی می باشد، باعث واگرایی مونه با تخمینگر کالمن می گردد. درتخمینگر نسبی چون تنها به فاصله نسبی بین نشانه ها توجه می شود معادلات آن به مدل حرکتی ربات وابسته نبوده و از طرف دیگر می توان مدل مشاهده را نیز بصورت خطی تعریف نمود و در نتیجه همگرایی آن قابل اثبات است؛ اما روش های ارائه شده مبتنی بر تخمینگر نسبی دارای مشکل اساسی ابهام در تعیین موقعیت مطلق ربات و نشانه ها می باشند. در این مقاله با ارائه الگوریتم های تخمین موقعیت با کمترین خطای بهبود یافته (ILPE) و همچنین تخمین موقعیت با واریانس کمینه بهبود یافته (IMVPE) روشی موثرتر برای مونه بر اساس تخمینگر نسبی ارائه شده است که با سوئیچ متوالی بین فضای نسبی و مطلق، مشکل ابهام در تعیین موقعیت مطلق نشانه ها و ربات درآن بر طرف شده است. حجم محاسبات این روش ها به تعداد نشانه ها در محیط وابسته نبوده و متناسب با متوسط نشانه های مشاهده شده در هر پیمایش ربات از محیط می باشد. در این مقاله معادلات و الگوریتم لازم برای یافتن موقعیت ربات و نشانه ها ارائه گردیده و در ضمن توسط شبیه سازی کارآیی روش های پیشنهادی در مقایسه با روش های قبلی و همچنین مونه مبتنی برکالمن توسعه یافته بررسی شده است.