G-SLAM: A novel SLAM method

Zikos, Nikos; Petridis, V.

doi:10.1109/med.2012.6265692

Cited by 2 publications

(1 citation statement)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Στο κεφάλαιο αυτό παρουσιάζεται μία νέα μέθοδος με την ονομασία G-SLAM [106] που προσεγγίζει το πρόβλημα της ταυτόχρονης χαρτογράφησης και εντοπισμού ενός ρομποτικού οχήματος σε άγνωστο περιβάλλον. Σε αντίθεση με τις μεθόδους που περιγράψαμε στα προηγούμενα κεφάλαια, η νέα αυτή μέθοδος προσεγγίζει το πρόβλημα από μία διαφορετική σκοπιά.…”

Section: εισαγωγήunclassified

Ταυτόχρονη Χαρτογράφηση Και Εντοπισμός Με Τεχνικές Ευφυών Συστημάτων

Ζήκος¹

View full text Add to dashboard Cite

Η παρούσα διατριβή πραγματεύεται το πρόβλημα της ταυτόχρονης Χαρτογράφησης και Εντοπισμού, επίσης γνωστό ως SLAM (Simoultaneous Localization And Mapping). Στα πλαίσια της διατριβής αναπτύχθηκαν δυο νέες μέθοδοι, η L-SLAM και η G-SLAM. Και οι δύο αυτές μέθοδοι χειρίζονται το πρόβλημα πιθανοτικά. Η μέθοδος L-SLAM βασίζεται στην παρατήρηση ότι σχεδόν όλα τα κινηματικά μοντέλα των ρομποτικών οχημάτων μπορούν να διαχωριστούν σε γραμμικά και μη γραμμικά τμήματα. Όπως ακριβώς συμβαίνει και με της μεθόδους FastSLAM έτσι και στο L-SLAM το πρόβλημα διαχωρίζεται σε δύο τμήματα στα οποία στο μεν πρώτο γίνεται εκτίμηση με particle filters και στο δεύτερο με Kalman φίλτρα. Η καινοτομία της L-SLAM έγκειται στο γεγονός ότι διαχωρίζεται το κινηματικό μοντέλο στο μη γραμμικό του τμήμα το οποίο εκτιμάτε με particle filters και στο γραμμικό που εκτιμάται με γραμμικά φίλτρα Kalman. Η συνεισφορά αυτής της μεθόδου είναι ότι μειώνει της διαστάσεις του partlce φίλτρου από τρεις που χρησιμοποιούνται στο FastSLAM σε μια σε δισδιάστατα προβλήματα. Μειώνοντας τις διαστάσεις του particle φίλτρου μειώνεται και η πολυπλοκότητα από O^3 σε O^1. Επίσης οι καταστάσεις που περισσεύουν είναι γραμμικές και εκτιμώνται με γραμμικά Kalman φίλτρα έναντι της μεθόδου FastSLAM που χρησιμοποιεί μη γραμμικά Extended Kalman φίλτρα. Επίσης περιγράφεται η επέκταση της μεθόδου αυτής στον τρισδιάστατο χώρο όπου τα οφέλη είναι μεγαλύτερα καθώς μειώνεται η πολυπλοκότητα του τρισδιάστατου προβλήματος από O^6 σε Ο^3.Η δεύτερη μέθοδος που αναπτύξαμε είναι η G-SLAM. Σε αντίθεση με τις προαναφερθείσες μεθόδους η G-SLAM παράγει χάρτες μεγαλύτερης ευκρίνειας γεγονός πολύ σημαντικό όταν ένα ρομποτικό όχημα κινείται σε εσωτερικούς χώρους. Είναι αρκετές οι αντίστοιχες μέθοδοι που έχουν προταθεί και παράγουν χάρτες υψηλής ευκρίνειας και βασίζονται στο Grid Occupancy. Η G-SLAM βασίζεται στην παρατήρηση ότι όλες αυτές οι μέθοδοι αναλώνονται στο να εκτιμούν σημεία του χώρου τα οποία είναι ασήμαντα όπως τα σημεία του χώρου στα οποία δεν υπάρχουν εμπόδια. Στη μέθοδο G-SLAM ο χάρτης αποτελείται από διάσπαρτα σημεία τα οποία με την τεχνική του G-SLAM συσσωρεύονται γύρω από τα εμπόδια. Τέλος παρατίθενται πειραματικά αποτελέσματα με τη χρήση συνθετικών αλλά και πραγματικών δεδομένων και γίνεται σύγκριση με όλες τις προαναφερθείσες μεθόδους.

show abstract

Section: εισαγωγήunclassified