19228

۱۹۲۲۸

سامانه اسلم براي سيستم چند ربات در محيط ديناميك

كارشناسي ارشد

مكاترونيك

۹۴-۹۷

۱۳۹۶/۱۲/۲۰

دكتر اميرحسين دوائي مركزي - دكتر اسماعيل خان ميرزا

مكانيك

در دو دهه اخير توجه بسياري از محققين به حل مسئله خودكار سازي وسايل نقليه معطوف بوده است و پژوهش هاي بسياري براي حل چالش هاي موجود در اين حوزه نشر و ارائه شده است. يكي از اركان مهم و پايه در اين حوزه مسئله موقعيت يابي و نقشه برداري هم زمان در يك محيط ناشناخته مي باشد كه به اختصار از آن به عنوان اسلم ياد مي شود. تاكنون روش هاي بسياري براي حل اين مسئله ارائه شده است اما تعداد كمي از اين تحقيقات بر روي سيستم داراي چند ربات صورت پذيرفته است. در اين پايان نامه به معرفي مسئله اسلم در سيستم داراي چند ربات با استفاده از فيلتر كالمن توسعه يافته در بستر متمركز پرداخته شده است. با توجه به عدم دانش نسبت به كوواريانس نويز اندازه گيري، المان هاي اين ماتريس با توجه به داده هاي واقعي دريافتي از حسگر با استفاده از روش بهينه سازي هوشمند ازدحام ذرات تطبيقي مي شوند. سپس براي حل مسئله اسلم در محيط ديناميك از فيلتر چگالي فرض احتمال براي دنبال كردن موانع ديناميك در محدوده تشحيص حسگر ربات ها استفاده مي شود. در انتها كارايي الگوريتم در يك محيط شبيه سازي به كمك نرم افزار متلب مورد ارزيابي قرار گرفته است.

1397/04/26

Multi Robot SLAM in Dynamic Environment

9/22/2018 12:00:00 AM

In the last two decades, many researchers have focused on the problem of automation of vehicles, and many research has been devoted to solving the challenges posed by this area. One of the important aspects in this area is the problem of localizing the vehicle and mapping the environment simultaneously in an unknown environment, which is briefly referred to as SLAM. So far, many methods have been proposed to solve this problem, but few of these researches have been implemented on the platform of multi-robots. In this thesis, SLAM problem is extended to multi robot platform by employing extended Kalman filter. Due to lack of knowledge about the measurement noise covariance, the elements of this matrix adapted according to the actual data received from the sensor by employing particle swarm optimization technique. Then, to solve this problem in the dynamic environment, probability hypothesis density filter is used to track the dynamic objects in the field of view of sensors. Finally, the performance of the algorithm is evaluated in a MATLAB environment.