همزمان محلی سازی و نقشه برداری (SLAM) یک فرایند است که توسط ربات ها و سیستم های مستقل برای ساخت یک نقشه از یک محیط ناشناخته استفاده می شود در حالی که به طور همزمان موقعیت خود را در آن تعیین می کند.یک جزء کلیدی از بسیاری از الگوریتم های SLAM بهینه سازی گراف است که شامل تکنیک های ریاضی برای اصلاح موقعیت ها و جهت گیری های تخمین زده شده از ربات و ویژگی های موجود در محیط است.

دانلود سریال Pose Graph Representation

یک نمودار ژست یک مدل ریاضی است که در آن گره ها نشان دهنده ی ربات ها در زمان های مختلف هستند و لبه ها محدودیت های فضایی بین این موارد را نشان می دهند.این محدودیت ها از اندازه گیری های سنسور مانند بررسی های odometry یا سنسور نشانه های نشانه ها گرفته می شوند.

فرمول ریاضی

هدف بهینه سازی گرافی عبارت است از پیدا کردن مجموعه ای از حالات که بهترین همه محدودیت ها را برآورده می کند، این به عنوان یک مشکل غیر خطی حداقل مربع فرموله شده است:

خلاصه داستان :

[[ویرایش] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱۰] [۱۰] [۱]] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۳] [۳] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳

تکنیک های بهینه سازی

روش های رایج برای حل این مشکل شامل الگوریتم های تحریک کننده مانند Gauss-Newton و Levenberg-Marquardt می باشد که این الگوریتم ها مشکل غیر خطی را در اطراف یک برآورد اولیه و به طور غریزی راه حل را اصلاح می کنند.

حل کنندگان مبتنی بر نمودار اغلب از تکنیک های ماتریسی کمپلتر برای مدیریت موثر مشکلات بزرگ در مقیاس بزرگ استفاده می کنند و عملکرد زمان واقعی را در برنامه های رباتیک امکان پذیر می کنند.