Resumen

Este artículo propone un innovador algoritmo de localización y mapeo simultáneos (SLAM) que combina un filtro de seguimiento fuerte (STF), un filtro de Kalman no acentuado (UKF) y un filtro de partículas (PF) para hacer frente a la baja precisión del FastSLAM no acentuado (UFastSLAM). El UFastSLAM carece de capacidad de ajuste autoadaptativo en línea y se ve fácilmente influenciado por el ruido incierto. El nuevo algoritmo actualiza cada punto Sigma en UFastSLAM mediante un algoritmo adaptativo y obtiene una ganancia de filtro optimizada mediante el factor de ajuste STF. Este algoritmo limita la influencia del ruido incierto y la selección inicial. Por lo tanto, la estimación del estado convergería rápidamente al valor real y la precisión de la estimación del estado del sistema mejoraría con el tiempo. Los resultados de las simulaciones y las pruebas prácticas demuestran que el FastSLAM de rastreo fuerte sin acento (STUFastSLAM) presenta una mejora significativa en cuanto a precisión y robustez.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:ufastslam, ruido incierto, factor de ajuste stf, localización simultánea innovadora, filtro de seguimiento fuerte, estimación del estado del sistema, filtro kalman no acentuado, precisión, punto sigma, ajuste adaptativo
• Keywords:ufastslam, uncertain noise, stf adjustment factor, innovative simultaneous localization, strong tracking filter, system state estimation, unscented kalman filter, accuracy, sigma point, adaptive adjustment