فرمت فایل: پاورپوینت - ppt  

کتاب سبز - قابل ویرایش ) 

تعداد اسلاید : 124
لوکالیزیشن در رباتیک و هوش مصنوعی Localization مقدمه قابلیتNavigation یکی از نیازمندیهای مهم روبات متحرک است. برای موفقیت در این امر میبایست تمام چهار جزء اصلی آن نیز بخوبی انجام شوند: : Preceptionروبات میبایست تعبیر مناسبی از داده های سنسورها داشته باشد : localizationروبات میبایست موقعیت خودش را در محیط پیدا نماید : Cognition روبات میبایست در مورد نحوه رسیدن به هدف تصمیم گیری نماید. : Motion Controlروبات میبایست خروجی موتورهایش را برای حرکت در مسیر مطلوب کنترل نماید. مشکل اصلی بر سر راه مکان یابی مسئله مکان یابی بسی فراتر از مسئله پیدا کردن موقعیت یک روبات در محیط است . روبات ممکن است نیازمند دانستن فاصله نسبی اش تا اشیا و آدمی باشد. روبات ممکن است نیاز به داشتن نقشه ای از محیط باشد تا برای انجام کارهایش قادر به planning باشد. مسئله مکان یابی بشدت وابسته به استفاده از سنسورهای روبات است. اما به خاطر اینکه این سنسورها دارای عدم قطعیت هستند مسئله مکان یابی دقیق روبات به مسئله ای پیچیده تبدیل میشود. مکان یابی دو روش ممکن در روباتیک نقشه شکل زیر را در نظر بگیرید. روبات برای انجام Navigation نیاز دارد که از سنسورها برای جلوگیری از برخورد با اشیا استفاده نماید. همچنین روبات باید بتواند موتورهایش را کنترل نماید. آیا روبات برای رفتن از اتاقی به اتاق دیگر نیاز به مکان یابی دارد؟ مثال استفاده از نقشه ممکن است مکان یابی برای جابجائی بین دو اتاق ضروری باشد. روبات باید بتواند موقعیت خود را در روی نقشه پیدا کند تا از رسیدن به هدف مطمئن گردد. همچنین روبات باید بتواند هدف را در روی نقشه مشخص نماید. پرهیز از ایجاد نقشه ساختار Behavior based navigation ساختار Behavior based navigation ساختار model-based navigation ساختار model-based navigation نمایش نقشه انواع مختلف نمایش موقعیت روبات در روی نقشه باور تک فرضیه ای باور تک فرضیه ای باور تک فرضیه ای باور چند فرضیه ای نمایش نقشه نحوه نمایش باور نسبت به موقعیت نمایش محیط نمایش پیوسته نقشهgeometric map نمایش محیط با استفاده از خط نمایش محیط با استفاده از خط Cell decomposition Cell decomposition Cell decomposition Adaptive cell decomposition Occupancy grid Topological map Topological map Topological map Topological map Topological map مشکلات تهیه نقشه یک محیط واقعی مثالی از مکان یابی بر پایه احتمالات مثالی از مکان یابی بر پایه احتمالات نرمالیزه کردن مثال عددی مکان یابی بر اساس نقشه احتمالاتیProbabilistic, Map-Based Localization سایر تکنیکهای احتمالاتی مکان یابی بر اساس نقشه احتمالاتیProbabilistic, Map-Based Localization تخصیص مقدار احتمال به موقعیت ربات تخصیص مقدار احتمال به موقعیت ربات مکان یابی بر اساس نقشه احتمالاتیProbabilistic, Map-Based Localization مکان یابی بر اساس نقشه احتمالاتیProbabilistic, Map-Based Localization مراحل به روز رسانی باور ربت نسبت به موقعیت خود مراحل Map-Based Localization مقایسه روشهای مارکف وکالمن مکان یابی به روش مارکف مکان یابی به روش مارکف مکان یابی به روش مارکف مکان یابی به روش مارکف فرض اساسی روش مارکف مثالی از مکان یابی به روش مارکف با استفاده از یک نقشه توپولوژیکی مثال نقشه توپولوژیک مدل ادراک باور موقعیت استفاده از جدول به روز رسانی action مثالی از محاسبه مقدار احتمال مثالی از محاسبه مقدار احتمال مثالی از محاسبه مقدار احتمال مثالی از محاسبه مقدار احتمال نحوه برنامه ریزی برای حرکت مثالی از مکان یابی به روش مارکف با استفاده از یک نقشه شبکه ای به روز رسانی باور وضعیت محاسبه مقدار احتمال مشکلات روش مارکف جبران مشکلات روش مارکف مکان یابی با استفاده از فیلتر کالمن شمای کلی فیلتر کالمن مقدمه ای بر تئوری فیلتر کالمن مقدمه ای بر تئوری فیلتر کالمن تخمین استاتیک تخمین استاتیک ترکیب داده ها ترکیب داده ها ترکیب داده ها حالت دینامیک حالت دینامیک کاربرد فیلتر کالمن در روباتیک مثالی از کاربرد کالمن فیلتر تخمین موقعیت روبات مدل خطا برای تخمین موقعیت با استفاده از اودومتری مدل خطا برای تخمین موقعیت با استفاده از اودومتری مدل خطا برای تخمین موقعیت با استفاده از اودومتری انتشار خطا برای حرکت در روی یک خط Robot Position Prediction: Example Robot Position Prediction: Example مشاهده Observation: Example Observation: Example تخمین اندازه گیری Measurement Prediction:Example Measurement Prediction:Example Measurement Prediction:Example تطبیق تطبیق Matching: Example مرحله تخمین: اعمال فیلتر کالمن مرحله تخمین: اعمال فیلتر کالمن مسائل ناشی از اعمال مدل خطی Nonlinear Dynamic Systems Perturbation Kalman Filter (PKF) Taylor Series Nominal Trajectory Linearization Nominal Trajectory Linearization Linearized Measurement Model PKF Algorithm PKF Algorithm PKF Algorithm ملاحظات Extended Kalman Filter Estimated Trajectory Linearization Nominal Trajectory Update Prediction Correction Correction Algorithm EKF ملاحظات

قسمتی از متن بالا پروژه میباشد که به صورت نمونه ، بعد از پرداخت آنلاین در جزوه باز آنی فایل را دانلود نمایید .

  

 « پرداخت آنلاین و دانلود در قسمت پایین »