بهبود عملکرد الگوریتم ekf-slam در محیط‌های پویا با استفاده از anfis

مساله ی مکان یابی و نقشه‌کشی همزمان در محیط های پویا موضوع مهمی در مبحث ناوبری ربات های خودمختار می باشد که هنوز تحقیقات زیادی در این زمینه انجام نشده است. در این مقاله، با ارائه ی روشی جدید، اشیاء پویا در محیط را همزمان با وجود اشیاء ساکن ردیابی می نماییم. برای این منظور الگوریتم ekfslam برای محیط‌های پویا توسعه داده شده است به طوری که مکان یابی و نقشه کشی همزمان و ردیابی اشیاء پویا در محیط در قالب یک مساله حل می شود، که قبلاً به صورت مجزا این کار انجام می شد. همچنین با توجه به اینکه کارایی و عملکرد الگوریتم فیلتر کالمن توسعه یافته 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 می شود و از دقت و پایداری خوبی برخوردار است.

improving the performance of the ekf-slam algorithm in dynamic environments using anfis

the issue of simultaneous localization and mapping (slam) in dynamic environments is an important object in the navigation of autonomous robots, which has not yet been investigated much. in this paper, by presenting a new method, we track dynamic objectsin the environment simultaneously with living static object. for this purpose, the ekfslam algorithm has been developed for dynamic environments in the way that simultaneous mapping and mapping of dynamic objects in the environment are solved in theform of a problem, which was previously done individually. also, considering that the efficiency and performance of the developed kalman filter algorithm depend heavily on the correct knowledge of the covariance matrix of observations, an adaptive neuro-fuzzy inference system (anfis) is used to adjust the measurement noise covariance matrices to ensure that the accuracy and consistency of the algorithm than other older methods (slam and datmo, fastslam, ekf) is guaranteed. the results of the experimentsindicate that the proposed algorithm performs precise tracking of objects during the implementation of slam in a dynamic environment and it has good accuracy and consistency.