اين رساله به مسئله انجام مكان‌يابي و نقشه‌برداري همزمان چند ربات (SLAM) در زمين‌هاي مواج و غيرمسطح مي‌پردازد، جايي كه فرض معمول حركت صفحه‌اي باعث رانش قابل توجه مي‌شود. سيستم پيشنهادي دو ايده را در يك چارچوب واحد تركيب مي‌كند: (1) يك مدل حركت آگاه از زمين كه لغزش جانبي ناشي از نوسانات زمين را پيش‌بيني مي‌كند و وقتي زمين سخت‌تر مي‌شود، نويز فرآيند را افزايش مي‌دهد؛ و (2) يك مرحله تصحيح مشاركتي توزيع‌شده كه در آن هر ربات از اندازه‌گيري‌هاي نسبي مبتني بر LiDAR نسبت به ربات ديگر استفاده مي‌كند تا تخمين خود را به سمت موقعيت واقعي برگرداند. نتايج شبيه‌سازي نشان مي‌دهد كه اين دو ايده به طور مستقل كمك مي‌كنند. هنگامي كه مدل‌سازي سينماتيك آگاه از زمين فعال مي‌شود، ميانگين RMSE موقعيت در مقايسه با يك EKF-SLAM استاندارد كه زمين مسطح را فرض مي‌كند، حدود 66٪ كاهش مي‌يابد. هنگامي كه تصحيح مشاركتي بين ربات‌ها به آن اضافه مي‌شود، خطا تا 31٪ ديگر كاهش مي‌يابد كه منجر به بهبود كلي حدود 77٪ نسبت به پيكربندي پايه مي‌شود، و همه تفاوت‌ها از نظر آماري معني‌دار هستند (p <‎0.001) .اين سيستم در شبيه‌سازي‌هاي با دقت بالا كه سينماتيك TurtleBot3 Burger، نويز حسگر واقع‌گرايانه و سطوح موج‌دار با دامنه تا 0.10 متر را شبيه‌سازي مي‌كردند، ارزيابي شد و توانست RMSE محلي‌سازي را در حدود 0.08 تا 0.12 متر حفظ كند و در عين حال نقشه‌هاي ويژگي ثابتي را حفظ كند. اين نتايج نشان مي‌دهد كه ايجاد مدل حركتي كه به صراحت از عوارض زمين آگاه باشد و به ربات‌ها اجازه دهد به عنوان نشانه‌هاي متحرك براي يكديگر عمل كنند، يك روش عملي براي اجراي SLAM در محيط‌هايي مانند مكان‌هاي پس از فاجعه، تأسيسات صنعتي با كف شيب‌دار و مزارع كشاورزي است كه در آن‌ها GPS غيرقابل اعتماد است و مسافت‌سنجي به تنهايي كافي نيست.

1405/02/28

Enhancement of Multi-Robot SLAM on Wavy Ground

5/18/2026 12:00:00 AM

This dissertation tackle a mechatronics engineering problem within the scope of multi-robot Simultaneous Localization an‎d Mapping (SLAM). It investigates multi-robot SLAM on undulating, non-flat terrain, where the common planar-motion assumption induces noticeable drift. The proposed system combines two ideas in a single framework: (i) a terrain-aware motion model that predicts the lateral slip caused by ground undulations an‎d inflates the process noise when the terrain becomes harder; an‎d (ii) a distributed cooperative correction step in which each robot uses LiDAR-based relative measurements to another robot to pull its own estimate back toward the true pose. Simulation results show that these two ideas contribute independently. When terrain-aware kinematic modelling is enabled, the average position RMSE dro‎ps by about 66% compared to a stan‎dard EKF-SLAM that assumes flat ground. When cooperative inter-robot correction is added on top of that, the error is reduced by a further ≈31%, leading to a total improvement of about 77% over the baseline configuration, with all differences statistically significant (p <‎ 0.001). The system was eva‎luated in high-fidelity simulations emulating TurtleBot3 Burger kinematics, realistic sensor noise, an‎d wavy surfaces with amplitudes up to 0.10 m, an‎d it was able to keep localization RMSE around 0.08–0.12 m while maintaining consistent feature maps. These results indicate that making the motion model explicitly terrain-aware, an‎d letting robots serve as mobile lan‎dmarks for one another, is a practical way to run SLAM in environments such as post-disaster sites, industrial facilities with sloped floors, an‎d agricultural fields where GPS is unreliable an‎d odometry alone is not sufficient.

SLAM مشاركتي، , سيستم‌هاي چند رباتي، , ناوبري آگاه از عوارض زمين، , جبران لغزش جانبي، , EKF-SLAM

Cooperative SLAM,. , Multi-Robot Systems, , Terrain-Aware Navigation, , Lateral Slip Compensation , , EKF-SLAM

Mahdi Alkhafaji

Dr. Esmaeel Khanmirza & Dr. Amir Hossein Davaie Markazi