Um algoritmo fastslam eficiente para gerar mapas de ambientes cíclicos em larga escala a partir de medições de alcance a laser brutas

A capacidade de aprender um modelo consistente do seu ambiente é um pré-requisito para robôs móveis autônomos. Um problema particularmente desafiador na aquisição de mapas de ambientes é o fechamento de laços; laços no ambiente criam problemas desafiadores de associação de dados J.-S. Gutman et al., 1999. Este artigo apresenta um novo algoritmo que combina filtragem de partículas Rao-Blackwellizada e correspondência de varredura. Em nossa abordagem, a correspondência de varredura é usada para minimizar erros odométricos durante o mapeamento. Um modelo probabilístico dos erros residuais do processo de correspondência de varredura é então utilizado para os passos de reamostragem. Dessa forma, o número de amostras necessárias é seriamente reduzido. Simultaneamente, reduzimos o problema de depleção de partículas que tipicamente impede o robô de fechar laços grandes. Apresentamos experimentos extensivos que ilustram o desempenho superior de nossa abordagem em comparação com abordagens anteriores.