Abstract
Mobile robots use simultaneous localization and mapping (SLAM) techniques for generating maps of unknown environments through navigating its. In this work, firstly SLAM technique was considered based on extended Kalman filter (EKF) which it was implemented and evaluated at unknown environments with different number of landmarks to estimate mobile robot’s position and build a map for navigated environment at the same time. Then, the detectable landmarks will play an important role in controlling the overall navigation process as well EKF-SLAM technique’s performance. After that, three intelligent optimization algorithms are proposed to enhance the performance of the EKF-SLAM trajectory for the mobile robot, these algorithms are: particle swarm optimization (PSO), chaotic particle swarm optimization (CPSO) and genetic optimization (GA). MATLAB simulation results show that CPSO algorithm outperforms PSO and GA algorithms in terms of minimizing the mean square error (MSE1) with increasing the number of landmarks, where MSE1 is the mean square error of EKF-SLAM according to the actual trajectory. The simulation results show also the performance of EKF-SLAM trajectory is better than the performance of the Odometry trajectory and becomes best with using intelligent optimization algorithms.
Abstract
تستخدم الروبوتات المتنقلة تقنيات التوطين ورسم الخرائط المتزامنة (SLAM) لإنشاء خرائط لبيئات غير معروفة من خلال التنقل فيها. في هذا العمل، قمنا أولاً بدراسة تقنية SLAM المعتمدة على مرشح كالمان الممتد (EKF) والتي تم تنفيذها وتقييمها في بيئات غير معروفة ذات عدد مختلف من المعالم لتقدير موقع الروبوت المتنقل وبناء خريطة للبيئة الملاحية في نفس الوقت. بعد ذلك، ستلعب المعالم القابلة للاكتشاف دورًا مهمًا في التحكم في عملية الملاحة الشاملة وكذلك أداء تقنية EKF-SLAM. بعد ذلك، تم اقتراح ثلاث خوارزميات تحسين ذكية لتعزيز أداء مسار EKF-SLAM للروبوت المتنقل، هذه الخوارزميات هي: تحسين سرب الجسيمات (PSO)، تحسين سرب الجسيمات الفوضوية (CPSO)، والتحسين الجيني (GA). أظهرت نتائج محاكاة MATLAB أن خوارزمية CPSO تتفوق على خوارزميات PSO وGA من حيث تقليل متوسط مربع الخطأ (MSE1) مع زيادة عدد المعالم، حيث MSE1 هو متوسط مربع الخطأ لـ EKF-SLAM وفقًا للمسار الفعلي. أظهرت نتائج المحاكاة أيضًا أن أداء مسار EKF-SLAM أفضل من أداء مسار Odometry ويصبح أفضل باستخدام خوارزميات التحسين الذكية.
Keywords
CPSO.
EKF-SLAM
GA
Mobile Robot
PSO