چكيده فارسي :
تعيين موقعيت رباتهاي خودمختار متحرك، به‌ويژه زماني‌كه يك مرجع موقعيت‌ياب خارجي مانند سيگنال موقعيت‌ياب ماهواره‌اي در دسترس نباشد، يك چالش مهم مي‌باشد. در اين شرايط ربات بايد نقشه‌اي از محيط اطراف خود بسازد و به‌طور همزمان موقعيت خود را در نقشه تعيين كند. از اين رو بهترين راه براي يافتن موقعيت ربات در محيط ناشناخته بهره‌گيري از روش مكانيابي و نقشه سازي همزمان (مونه) مي‌باشد. بيشتر روش‌هاي رايج مونه به‌دليل دقت پايين در تخمين موقعيت ربات يا حجم محاسباتي بالا در مواجهه با محيط‌هاي بزرگ و كند بودن الگوريتم قابل استفاده نيستند. همچنين استفاده از مدل مشاهده و مدل حركت غيرخطي در روش‌هاي معمول مونه باعث واگرايي آن مي‌شود. روش‌هايي كه تاكنون ارائه شده‌اند اگرچه حجم محاسبات را تاحدودي كاهش داده‌اند اما مسئله‌ي ناسازگاري هنوز در آنها حل نشده‌است. هدف از انجام اين پايان‌نامه، بررسي و بهبود روش‌هاي برخط مكانيابي و نقشه‌برداري همزمان مبتني بر فيلتر كالمن مي‌باشد. همچنين تلاش شده است با ارائه‌ي شيوه‌هاي جديد، دقت تخمين موقعيت ربات و نشانهها بهبود يافته و نقشه‌اي سازگارتر از نشانه‌هاي اطراف ربات ارائه گردد. در اين پايان‌نامه ضمن معرفي و مروري كلي بر روش متداول مونه، روش‌هاي جديد و نوآوري‌هايي نيز براي افزايش كارايي مونه پيشنهاد مي‌شود. از جمله با تخمين زاويه جهت‌گيري ربات در حين اجراي الگوريتم مونه، مدل مشاهده و مدل حركت خطي شده و روشي همگرا ارائه مي‌شود كه پايداري آن از روش‌هاي ديگر مونه بسيار بهتر است. در بخش ديگري از اين پژوهش با تركيب الگوريتم مونه مبتني بر فيلتر كالمن توسعه‌يافته با انطباق پويشي، دقت تخمين موقعيت ربات و نشانهها به مقدار قابل ملاحظه‌اي بهبود داده مي‌شود. در اين روش با ذخيره‌ي اطلاعات دو پويش متوالي ربات از محيط و با مقايسه و انطباق اين اطلاعات، موقعيت ربات و نشانهها بهبود داده مي‌شود. همچنين در اين پايان‌نامه براي بهبود عملكرد مونه مبتني برفيلتر كالمن بي بو روشي ارائه شده‌است كه مي‌تواند با محاسبه‌ي بردار اطلاعات حالت و ماتريس اطلاعات و بدون محاسبه‌ي بهره كالمن، دقت مونه مبتني بر فيلتر كالمن بي‌بو را افزايش داده و همگرايي و پايداري آن‌را بهبود بخشد. دراين پژوهش الگوريتم‌هاي لازم براي رسيدن به موقعيت ربات و نشانهها ارائه شده‌است. ضمن شبيه‌سازي اين روش‌هاي جديد، مزيت‌هاي آنها در‌مقايسه با ساير روش‌هاي مونه مانند مونه‌هاي مبتني بر فيلتر كالمن توسعه‌يافته، فيلتر كالمن بي بو، فيلتر كالمن مكعبي و يكي از جديدترين روش‌هاي مونه بررسي شده و نشان داده‌شده كه روش‌هاي پيشنهادي در اين پژوهش عملكرد بهتر و پايدارتري دارند.
چكيده انگليسي :
Determination of the position of an autonomous mobile robotic is an important challenge, especially when an external positioning reference such as the GPS signal is not available. In this circumstances, the robot must make a map from its surrounding environment and determine its own position on the map at the same time. Therefore, the best way to find the position of the robot in unknown environments is using Simultaneous Localization And Mapping (SLAM) techniques. Most of the common SLAM methods cannot be implemented due to low accuracy in estimating of the robot's position or high computational complexity in facing with large environments. Also, the non-linearity of motion and observation models in common SLAM methods causes that the SLAM algorithms diverge. The methods introduced so far, although reduced the computational complexity, but the problem of inconsistency has not been solved yet. The goal of this research is to study and improve the online methods of simultaneous localization and mapping based on the Kalman filter. Also, we attempt to improve the accuracy of estimating the position of the robot and landmarks by proposing new methods and present a more consistent map of the landmarks around the robot. In this dissertation, in addition to introducing and overviewing the common methods of SLAM, some new techniques and innovations are also suggested to increase the efficiency of SLAM. For example, we will linearize both observation and motion models of the system by estimating the orientation angle of the robot during the execution of the SLAM's algorithm. Accordingly, a convergent method is presented that the stability of this method will be better than the other SLAM methods. In another part of this research, we significantly improve the accuracy of estimating the position of the robot and landmarks by combining the SLAM algorithm based on the Extended Kalman filter with scan matching algorithm. In this method, by saving the information of two consecutive robot scans from the environment and by comparing and adapting this information, the positions of the robot and landmarks are improved. Moreover, in this dissertation, for improving the performance of Unscented Kalman filter based on SLAM, a method is presented that can increase the accuracy of Unscented Kalman filter based on SLAM by estimating the state vector and information matrix without calculating the Kalman gain and improve its convergency and stability. In this research, the necessary algorithms to estimate the position of the robot and landmarks are presented. By simulation of the proposed methods, their capabilities and advantages are compared to the other SLAM methods such as Extended Kalman filter, unscented Kalman filter, cubature Kalman filter based on SLAM along with one of the newest SLAM methods. It has been shown that the proposed methods have relatively capabilities and advantages over the known methods especially in terms of performance and stability.
