Key points are not available for this paper at this time.
Die gleichzeitige Lokalisierung und Kartierung (SLAM) stellt eine außergewöhnliche Herausforderung in der Robotik dar, da sie den dynamischen Aufbau einer Karte beinhaltet, während gleichzeitig der genaue Standort des Roboters in einer unbekannten Umgebung bestimmt wird. Diese komplexe Aufgabe wird durch das inhärente "Huhn-und-Ei"-Dilemma weiter verkompliziert, bei dem eine genaue Kartierung auf einer zuverlässigen Schätzung des Standorts des Roboters basiert und umgekehrt. Darüber hinaus erhöht die rechnerische Intensität von SLAM die Komplexität zusätzlich, was es zu einem entscheidenden, aber anspruchsvollen Thema auf diesem Gebiet macht. In unserer Forschung gehen wir die Herausforderungen von SLAM an, indem wir die Partikelfilter-SLAM-Methode anwenden. Unser Ansatz nutzt kodierte Daten und Informationen von Faseroptik-Gyroskopen (FOG), um eine präzise Schätzung der Fahrzeugbewegung zu ermöglichen, während die Lidar-Technologie zur Umweltwahrnehmung beiträgt, indem sie detaillierte Einblicke in die umgebenden Hindernisse bietet. Die Integration dieser Datenströme mündet in der Etablierung eines Partikelfilter-SLAM-Rahmenwerks, das das zentrale Bemühen dieses Papiers darstellt, um effektiv mit den Komplexitäten der gleichzeitigen Lokalisierung und Kartierung in robotischen Systemen umzugehen.
Liu et al. (Mon,) haben diese Frage untersucht.