Skip to main content
SUPERVISOR
حمیدرضا دخت تقی راد (استاد راهنما) مهدی کشمیری (استاد راهنما)
 
STUDENT
Soheil Gharatappeh
سهیل قراتپه

FACULTY - DEPARTMENT

دانشکده مهندسی مکانیک
DEGREE
Master of Science (MSc)
YEAR
1390

TITLE

Development and Implementation of Fast-SLAM in Localization and Mapping in Mobile Robots
Simultaneous Localization and Mapping (SLAM), is the most important task in making a mobile robots fully autonomous. So far three general algorithms proposed to solve SLAM problem. The first proposed solution to the SLAM was founded based on Kalman Filter and eventually Extended Kalman Filter (EKF-SLAM). To deal with deficiencies in EKF-SLAM, Fast-SLAM was introduced as the second solution to SLAM problems. Fast-SLAM uses particle filter instead of Kalman filter. iSAM is the third solution proposed as the solution to SLAM. In this thesis, a grid based 2D Fast-SLAM algorithm was implemented in two wheeled laboratory mobile robot, fabricated in Dynamic and Robotic research center, to develop an online SLAM platform for the robot. Robot Operating System (ROS) platform was used to program the algorithm. ROS is an open source operating system recently developed for software implementation in robotic system. The fabricated mobile robot is equipped with a Laser Range Finder (LRF) sensor for environment scanning, two encoders attached to the wheels for wheel Odometery and an Inertia Measurement Unit (IMU) to measure the robot attitude motion. Initially the online Fast-SLAM algorithm was developed for uneven planar motion of the robot. Moving on an uneven surface like a slope leaded to error in robot localization and consequently error in mapping. Using the IMU data, in this thesis, kinematic equations were adjusted for robot motion on slopes. The adjusted algorithm tested on a slope made for this test by wood. The test results showed a significant improvement in the algorithm accuracy Keywords Fast-SLAM, IMU, Slope, special odometry
مکان‌یابی و نقشه‌یابی همزمان ربات سیار، بخشی بسیار مهم و ضروری از مسئله‌ی کلی تماماً خودمختار کردن این ربات‌ها است. مکان‌یابی دقیق به نقشه‌ای از محیط نیاز دارد و برای تولید نقشه نیز به مکان‌سنجی دقیق نیاز است. اولین حل ارائه‌شده از این مسئله، حل توسط فیلتر کالمن توسعه‌یافته، مشکلاتی از جمله کند بودن و عدم توانایی اجرای به‌هنگام را داشت. حل بعدی که برای مسئله‌ی SLAM ارائه شد، حل توسط فیلترهای ذره‌ای بود که Fast-SLAM نام داشت. روش فیلتر ذره‌ای به علت استفاده از نمونه‌ها برای معرفی توابع چگالی احتمال، محدود به فرض گوسی بودن نویزهای محیطی نیست. بعلاوه در این روش فرض محدودکننده‌ی خطی بودن معادلات سیستم، که در فیلترهای کالمن در نظر گرفته می‌شد، وجود ندارد و می‌توان از مدل سیستم و مدل مشاهده‌ی غیرخطی در معادلات فیلتر، استفاده کرد. محدود نبودن این نوع از فیلترها به معادلات خطی، استفاده از فیلترهای ذره‌ای را برای حل مسئله‌ی SLAM که معادلاتی غیرخطی دارند، بسیار مناسب کرده است. الگوریتم Fast-SLAM با وجود ویژگی‌های بسیار مثبت خود نسبت به روش‌های قبلی حل مسئله‌ی SLAM، به علت نقص در معادلات فیزیکی، در شیب‌های مثبت و منفی محیطی دچار خطا می‌شود. در این پژوهش خطای موجود در الگوریتم اصلاح‌شده و بر روی ربات پیاده‌سازی شده است. این پیاده‌سازی به صورت به‌هنگام صورت می‌گیرد به این معنی که الگوریتم همزمان با داده‌برداری ربات از محیط، اجراشده و نقشه‌ی محیط را تشکیل داده و مکان ربات را اصلاح می‌کند. اصلاح مدل حرکت و مدل مشاهده موجب برطرف شدن خطای موجود در الگوریتم پایه خواهد شد. در ادامه مکان‌یابی ربات از دو بعد به 5/2 بعد ارتقا یافته است. مکان‌یابی ربات که پیش‌تر به صورت صفحه‌ای (در صفحه‌ی x,y ) انجام می‌شد، به مکان‌یابی در فضا (در سه بعد x,y,z ) ارتقا یافت. برای انجام این کار، از داده‌های رسیده از حسگر اینرسی و قید به وجود آمده در حرکت ربات بر روی شیب استفاده شد. معادلات قید به‌وجود‌آمده و معادلات مشاهده‌ی اصلاح‌شده در یک فیلتر کالمن توسعه‌یافته جایگذاری شده و با استفاده از این فیلتر اصلاح موقعیت در راستای z انجام شده است.

ارتقاء امنیت وب با وف بومی