UMBUMB

SINERGISINERGI

Metode penyaringan yang paling populer yang digunakan untuk menyelesaikan masalah Simultaneous Localization and Mapping (SLAM) adalah Extended Kalman Filter (EKF). Secara esensial, EKF memerlukan pengetahuan stochastik sebelumnya baik untuk noise statistik proses maupun noise statistik pengukuran. Untuk menghindari persyaratan ini, noise statistik telah didefinisikan di awal dan tetap digunakan untuk seluruh proses. Hal ini akan memenuhi ketahanan yang diinginkan dalam kasus simulasi. Sebaliknya, karena ketidakpastian yang terus-menerus dipengaruhi oleh sistem dinamis dalam integrasi waktu, cara ini sangat tidak disarankan. Alasannya, noise yang didefinisikan tidak tepat tidak hanya akan menurunkan kinerja filter tetapi juga mungkin menyebabkan kondisi divergensi filter. Karena itu, ada cara yang kuat yang disebut strategi adaptif yang umum digunakan untuk melengkapi filter klasik agar memiliki kemampuan untuk mengaproksimasi noise statistik. Dengan mengetahui noise statistik yang responsif secara dekat, ketahanan dan akurasi EKF dapat meningkat. Namun, sebagian besar Adaptive-EKF yang ada hanya mempertimbangkan bahwa noise statistik proses dan pengukuran memiliki karakteristik mean nol dan kovarians responsif. Oleh karena itu, ketahanan EKF dapat ditingkatkan. Artikel ini menyajikan metode yang diusulkan yang disebut algoritma MAPAEKF-SLAM yang digunakan untuk menyelesaikan masalah SLAM pada robot mobile Turtlebot2. Secara berurutan, EKF klasik diestimasikan menggunakan Maximum a Posteriori (MAP). Namun, karena adanya nilai yang tidak teramati, EKF juga dismooth satu kali berdasarkan metode smoothing interval tetap. Langkah smoothing ini bertujuan untuk menjaga proses derivasi di bawah penciptaan MAP. Secara realistis, metode yang diusulkan disimulasikan dan dibandingkan dengan yang konvensional. Akhirnya, telah menunjukkan akurasi yang lebih baik dalam hal Root Mean Square Error (RMSE) dari Estimated Map Coordinate (EMC) dan Estimated Path Coordinate (EPC).

Artikel ini menyajikan metode yang diusulkan yang disebut algoritma MAPAEKF-SLAM.mengestimasikan EKF normal berdasarkan metode smoothing satu langkah.mendrivasi nilai estimasi suboptimal di bawah penciptaan Maximum a Posteriori (MAP), metode yang diusulkan telah dianggap mampu menyelesaikan masalah SLAM bahkan ketika noise statistik tidak diketahui.Berdasarkan hasil perbandingan dan diskusi yang disajikan dalam bagian sebelumnya, ketahanan dan efektivitasnya telah divalidasi.

Saran penelitian lanjutan yang diusulkan adalah: (1) Mengembangkan metode penyaringan berbasis filter untuk masalah SLAM, (2) Menggunakan strategi adaptif untuk memperbaiki kinerja EKF dengan mengaproksimasi noise statistik, dan (3) Menggunakan Maximum a Posteriori untuk mengestimasikan parameter yang tidak diketahui dari EKF klasik untuk noise statistik proses dan pengukuran dengan kovarians yang sesuai. Dengan demikian, metode yang diusulkan dapat meningkatkan ketahanan dan efektivitas EKF dalam aplikasi SLAM.

Read online
File size839.35 KB
Pages12
DMCAReport

Related /

ads-block-test