لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 12
استفاده از مدل احتمالاتی Extended Kalman Filter
در موقعیت یابی ربات ها
maarefdost@yahoo.com
چکیده:
در این مقاله ابتدا به بررسی متدهای مختلف در مکان یابی ربات ها پرداخته شده است. سپس یکی از متدهای احتمالاتی در موقعیت یابی را که دارای مزایا و قابلیت های متناسب با سیستم مورد نظرمان بود را انتخاب کردیم. پس از انتخاب متد EKF به بررسی ساختاری ربات جهت منطبق کردن با سیستم انتخابی پرداخته شد. بعلاوه از یک سیستم فازی نیز جهت بهینه سازی خروجی و داشتن خروجی متناسب با داده های ورودی استفاده کردیم.
در بخش پایانی نیز به پیاده سازی سیستم و تست آن برروی ربات مورد نظر که در این مقاله یک ربات فوتبالیست سایز متوسط است که در مرکز تحقیقاتی مکاترونیک دانشگاه آزاد اسلامی قزوین ساخته شده و بنام MRL خوانده می شود. محیط مورد نظر، زمین فوتبال خاص این گونه ربات ها می باشد. هدف این مقاله ارائه سیستمی جهت موقعیت یابی مناسب ربات فوتبالیست با توجه به وجود خطا در اطلاعات جمع آوری شده جهت موقعیت یابی می باشد.
واژه های کلیدی: موقعیت یابی، ربات، Flag، Extended Kalman Filter، Localization، فازی، انکدر، Vision.
1- مقدمه
در سال های اخیر مساله موقعیت یابی ربات های متحرک از جمله مسائلی است که مورد توجه محققین در این زمینه قرار گرفته است. هدف اصلی، موقعیت یابی اینگونه ربات ها در محیط های پویای دو بعدی است. یکی از انواع این ربات ها ربات های سه چرخ همه جهته بوده که امکان جابجایی و حرکت مستقل از زاویه و جهت ربات را فراهم می سازد که در محیط های پویا مورد استفاده قرار گرفته اند. تحقیقات مختلفی در این زمینه صورت گرفته است. مرکز تحقیقات مکاترونیک دانشگاه آزاد اسلامی قزوین نوعی از این ربات های فوتبالیست که بنام MRL خوانده می شوند را در اختیار دارد. این ربات دارای سه چرخ با زاویه 120درجه نسبت به هم است که توسط یک موتور فرمان با یک شفا انکدر هدایت می شود برای کنترل این ربات از یک سیستم کامپیوتری کتابی با سیستم عامل ویندوز استفاده شده است. اطلاعات مورد نظر ربات توسط دوربینی با قابلیت دریافت تمام جهات درک شده و مورد پردازش قرار می گیرد. در این مقاله کنترل حرکت ربات MRL برای رسیدن توپ با توجه به وجود مانع(حریف مقابل) مورد بررسی قرار گرته است که هدف آن است که بتوان با توجه به غیرخطی بودن مساله امکان ارائه یک مسیر مناسب را مورد بررسی و شبیه سازی قرار داد شکل (1) نمونه ساخته شده این ربات را نشان می دهد.
شکل( 1) نمونه ربات ساخته شده
مساله مکان یابی در این ربات یکی از مسائلی است که جای بررسی بسیار داشته که در این مقاله از متدی خاص براساس قابلیت های سیستم مورد نظر استفاده شده است.
2- بررسی متدهای موقعیت یابی احتمالاتی
در زمینه موقعیت یابی متدهای مختلفی ارائه شده است اما امروزه استفاده از متدهای احتمالاتی در این زمینه کاربرد بیشتری دارد. با بررسی که بر روی این متدها انجام شد دو روش کالمن فیلتر و مارکوف دارای کارائی بیشتری برای سیستم های مشابه سیستم مورد نظر ما داشته اند. از این رو ما روش کالمن فیلتر و به شکل دقیق تر فیلتر کالمن گسترده را بکار بردیم. از آنجا که یک ربات متحرک ممکن است از سنسورهای متعدی استفاده نماید که هرکدام نشانه هائی را در مورد مکان ربات دربر خواهند داشت. استفاده از sensor fusion ممکن است بتواند تخمین بهتری از موقعیت ربات بدست آورد. فیلتر کالمن روش قدرتمندی است که امکان ترکیب داده های سنسورهای مختلف را فراهم می آورد این روش نسبت به روش مارکف ساده تر است. اما منجر به یک الگوریتم برگشتی می گردد .
3- انتخاب متد EKF و بررسی ساختار ربات
با توجه به مشخص شدن راهکار مورد استفاده و ساختار ربات مورد نظر در این بخش به بررسی بیشتر و جمع آوری اطلات منطبق با سیستم مورد نظر پرداختیم .
3-1- فیلتر کالمن گسترده: روش های مختلفی برای حل مشکل Localization، با فرض در دسترس بودن نقشه محیط مطرح شده است، که رایج ترین ابزار، فیلتر کالمن است، که چارچوبی مؤثر برای تلفیق انواع مختلف دانش و آگاهی ارائه می دهد. ساختار سیستم Localization در شکل نشان داده شده است، که مستقیماً از معادلات EKF نشأت می گیرد.
استفاده از مدل احتمالاتی Extended Kalman Filter
_(v1.1)_(Disc_2)-1.jpg)
