ارتقاء عملکرد ربات های متحرک با بهینه سازی فیلتر کالمن توسعه یافته توسط شبکه عصبی

بی تردید بهینه سازی حرکت یک ربات خودران مستلزم شناخت دقیق ربات از محیط پیرامون خود و تشخیص موقعیت دقیق خود نسبت به محیط مورد نظر می باشد .مکانیابی و تهیه نقشه همزمان (simultaneous localization and mapping) توسط ربات متحرک که به (SLAM) معروف است، از جمله مسئله های مهم و حیاتی در بحث ربات های خودران می باشد، که تحقیقات زیادی در رابطه با آن صورت گرفته است. هدف SLAM تهیه نقشه از یک محیط نا شناخته وبدون اطلاعات قبلی از محیط وبا استفاده از اطلاعات بدست امده از سنسورهای ربات متحرک می باشد،تا با استفاده از دیتا های ا ستخراج شده از نقشه ی حاصل شده به واسطه حسگرها، ربات بتواند موقعیت خود را در آن محیط محاسبه کند.مسئله بدست اوردن مکان خود ربات را مسئله مکان یابی و مسئله بدست آوردن توصیفی از محیط را مسئله ایجاد نقشه می نامیم . تا کنون روشهای مختلفی برای حل این مسئله پیشنهاد شده است.یکی از رایج ترین روشهای حل مسئله SLAM استفاده از فیلتر کالمن توسعه یافته(EKF( می باشد.اما عملکردEKF وابسته به اطلاعات قبلی از ماتریس های کواریانس نویز فرآیند (Q) و نویز اندازهگیری توسط سنسورها (R) است که این دو ماتریس در واقع همان عدم قطعیت ها در تخمین می باشند.به همین علت سخت ترین قسمت طراحی EKF مقدار دهی این ماتریسها می باشد. چون در اغلب مسائل Slam اطلاعات و دانش دقیقی نسبت به این ماتریسها نداریم و مقدار دهی اشتباه این ماتریسها ، کارآیی فیلتر را پایین می آورد.یک راه موثر برای غلبه بر این مشکلات ، استفاده از الگوریتم های EKF SLAM مبتنی بر شبکه عصبی می باشد.در این پایان نامه سعی گردیده است تا با بررسی روشهای مختلف و به ویژه روش فیلتر EKF در حل مسئله مکان یابی و تعیین موقعیت ربات (SLAM) به ایرادت این فیلتر در مرحله خطی سازی و بروزرسانی ماتریس کواریانس پرداخته و جهت بهبود وارتقا آن از شبکه عصبی استفاده گردد .