مکانیابی سراسری روبات های متحرک با استفاده از الگوریتم های تکاملی

Publish Year: 1386
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,981

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

FJCFIS01_174

تاریخ نمایه سازی: 14 خرداد 1387

Abstract:

هر روبات متحرک برای آنکه در محیطی که در آن قرار گر فته حرکت کرده و وظایف محوله را بخوبی انجام دهد، در ابتدا باید بتواند موقعیت اولیه خود را بطور دقیق در محیط مشخص کرده و پس از مشخص کردن موقعیت اولیه، ضمن حرکت در محیط موقعیت خود را بروزرسانی کند. بنابراین پیداکردن موقعیت روبات متحرک یکی از مهم ترین مسائل مو جود در علم روباتیک بشمار می رود. این مساله شامل دو بخش "مکان یابی سراسری " و "ردگیری موقعیت روبات " می شود. در این مقاله دو روش تکاملی مبتنی بر نمونه، برای مکان یابی سراسری روباتهای متحرک ارائه شده است . روش اول یک نسخه ی اصلاح شده از الگوریتم ژنتیک استاندارد است که تکامل تفاضلی (DE) نامیده می شود. روش دوم بهینه سازی گروه ذرات (PSO) است که مبتنی بر حرکت جمعی پرندگان و ماهی ها می باشد. الگوریتم DEجمعیت اولیه را با استفاده از مدل های احتمالاتی حرکت و مشاهدات ارزیابی کرده و تکامل جمعیت با استفاده از عملگرهای تکا ملی صورت می گیرد. الگوریتم PSOموقعیت و سرعت ذرات را با استفاده از اطلاعاتی مثل بهترین موقعیت قبلی هر ذره و بهترین موقعیت همسایه های آن ذره بسمت هدف (وضعیت روبا ت) تنظیم می کند. نتایج آزمایشات مزایای این دو روش را از لحاظ دقت، سرعت و حجم محاسباتی نسبت به الگوریتم مکان یابی مونت کارلو (MCL) بیان می کند.

Authors

ناصر نوراشرف الدین

دانشگاه صنعتی امیرکبیر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات

علی رضا وحدت

دانشگاه صنعتی امیرکبیر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • S. Thrun, D. Fox, W. Burgard, and F. Dellaert, ، ...
  • I.J. Cox, ، Blanche - An experiment in guidance and ...
  • J.S. Gutmann, W. Burgard, D. Fox, and K. Konolige, ،0An ...
  • S. Thrun, *Bayesian landmark learning for mobile robot localization, ? ...
  • J. Borenstein, B. Everett, and L. Feng, Navigating Mobile Robots: ...
  • W. Burgard, A. Derr, D. Fox, and A.B. Cremers, *"Integrating ...
  • S. Engelson and D. McDermott.، Error correction in mobile robot ...
  • L. Moreno, S. Garrido, and M. L. Munoz. *Evolutionary filter ...
  • K. Arras, J.A. Castellanos, and R. Siegwart, ، ،Feature-based multi ...
  • multiple Using؛ [10] D.J. Austin, and P. Jensfelt, Gaussian hypotheses ...
  • D. Fox, W. Burgard, and S. Thrun, ،#Markov localization for ...
  • W. Burgard, D. Fox, D. Hennig, and T. Schmidt, *Estimating ...
  • using position probability grids, ? Proceedings of the Fourteenth National ...
  • F. Dellaert, D. Fox, W. Burgard, and S. Thrun, ، ...
  • D. Fox, W. Burgard, F. Dellaert, and S. Thrun. ، ...
  • P. Jensfelt, O. Wijk, D.J. Austin, and M. Andersson, *Experiments ...
  • _ Back, D. B. Fogel, and Z. Michalewicz. *Evolutionary Computation ...
  • R.Storn, K.Price, ، Differential Evolution--A simple and efficient adaptive scheme ...
  • R. C. Eberhart, and J. Kennedy, ،0A new optimizer using ...
  • sWarm Particleء، [19] J. Kennedy, and R. C. Eberhart, optimization, ...
  • E. O. Wilson, ، _ ociobiology: The new synthesis, Cambridge, ...
  • نمایش کامل مراجع