Resumen

Con el objetivo de abordar la alta complejidad computacional del método tradicional de Filtro de Partículas Rao-Blackwellizado (RBPF) para la localización y mapeo simultáneos (SLAM), se propone un método de optimización del sistema RBPF-SLAM, basado en lidar y en la extracción de características de segmentos de línea mediante mínimos cuadrados, así como en el mapeo de raster y en la continuidad de fiabilidad. Los resultados de las pruebas de validación muestran que se ocupa menos almacenamiento en la construcción de un mapa con este método, y que la complejidad computacional se reduce significativamente. Se evita de manera efectiva el efecto de los datos de ruido en los resultados de extracción de datos de características. También se resuelve el problema de la acumulación de errores causada por el movimiento de tamaño de cuadrícula no entero del vehículo no tripulado en la etapa de actualización de tiempo basada en el esquema de posicionamiento de Markov. El método mejorado de RBPF-SLAM puede permitir que el vehículo no tripulado construya un mapa de raster en tiempo real, y la eficiencia y precisión de la construcción del mapa se mejoran significativamente.

• Materias:Sensores Algoritmo genético Controlador difuso Planificación de ruta
• Subjects:sensors Genetic algorithm Fuzzy controller Path planning
• Palabras claves:Tradicional; Filtrado de partículas Rao-Blackwellized; RBPF; SLAM; Método de optimización; Lidar; Segmento de línea de mínimos cuadrados; Extracción de características; Raster; Cartografía de fiabilidad; Datos de ruido; Acumulación de errores; Esquema de posicionamiento de Markov; Vehículo no tripulado; Tiempo real; Eficacia; Precisión.
• Keywords:Traditional; Rao-Blackwellized Particle Filtering; RBPF; SLAM; Optimization method; Lidar; Least square line segment; Feature extraction; Raster; Reliability mapping; Noise data; Error accumulation; Markov positioning scheme; Unmanned vehicle; Real time; Efficiency; Accuracy