FastSLAM: A Scalable Method for the Simultaneous Localization and Mapping Problem in Robotics

این تک نگار خانواده جدیدی از الگوریتم ها را برای مسئله محلی سازی و نقشه برداری همزمان در روباتیک (SLAM) توصیف می کند. SLAM به مشکل دستیابی به نقشه محیطی با یک ربات سرگردان می پردازد، در حالی که به طور همزمان ربات را نسبت به این نقشه بومی سازی می کند. این مشکل در چند سال گذشته توجه زیادی را در جامعه رباتیک به خود جلب کرده است و به مناسبت چالش بزرگ دارپا در اکتبر 2005 به اوج محبوبیت رسید که توسط تیمی به سرپرستی نویسندگان برنده شد. خانواده الگوریتم‌های FastSLAM فیلترهای ذرات را برای مسئله SLAM اعمال می‌کنند، که بینش جدیدی را در مورد مشکل ارتباط داده‌ای که در SLAM بسیار مهم است، ارائه می‌دهد. الگوریتم‌های نوع FastSLAM ربات‌ها را قادر می‌سازد تا نقشه‌هایی با اندازه و دقت بی‌سابقه را در تعدادی از حوزه‌های کاربردی ربات به دست آورند و با موفقیت در محیط‌های پویا مختلف، از جمله راه‌حل مشکل ردیابی افراد، اعمال شده‌اند.

This monograph describes a new family of algorithms for the simultaneous localization and mapping problem in robotics (SLAM). SLAM addresses the problem of acquiring an environment map with a roving robot, while simultaneously localizing the robot relative to this map. This problem has received enormous attention in the robotics community in the past few years, reaching a peak of popularity on the occasion of the DARPA Grand Challenge in October 2005, which was won by the team headed by the authors. The FastSLAM family of algorithms applies particle filters to the SLAM Problem, which provides new insights into the data association problem that is paramount in SLAM. The FastSLAM-type algorithms have enabled robots to acquire maps of unprecedented size and accuracy, in a number of robot application domains and have been successfully applied in different dynamic environments, including the solution to the problem of people tracking.