Resumen

Se aplica un esquema de re muestreo asistido por un optimizador de lobo gris (GWO) de inteligencia artificial al filtro de partículas de Rao-Blackwellized (RBPF) en la localización y mapeo simultáneos (SLAM). Al hacer esto, podemos aumentar la diversidad de las partículas al re muestrear y luego obtener una mejor precisión de localización y una convergencia rápida para realizar el SLAM de un robot móvil en interiores. Además, proponemos un esquema adaptativo de asociación de datos local (Range-SLAM) para mejorar la eficiencia computacional del algoritmo de asociación de datos del vecino más cercano (NN) en la iteración de la predicción de RBPF. A través de experimentos y simulaciones, los esquemas de SLAM propuestos tienen una rápida convergencia, precisión y heurísticas. Por lo tanto, el RBPF mejorado y los nuevos esquemas de asociación de datos presentados en este documento pueden proporcionar un método viable para el SLAM de un robot móvil en interiores.

• Materias:Sensores Algoritmo genético Controlador difuso Planificación de ruta
• Subjects:sensors Genetic algorithm Fuzzy controller Path planning
• Palabras claves:Inteligencia artificial; Optimizador lobo gris; Esquema de remuestreo; Filtro de partículas Rao-Blackwellized; SLAM; Asociación de datos
• Keywords:Artificial intelligent; Grey wolf optimizer; Resampling scheme; Rao-Blackwellized particle filter; SLAM; Data association