Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Un EKF-SLAM mejorado para la exploración de la superficie de Marte
En el algoritmo EKF-SLAM tradicional, la complejidad computacional y la incertidumbre crecen rápidamente con el aumento de los puntos de características y la ampliación de la cobertura del mapa. Como sabemos, la complejidad computacional es proporcional a la cuadrática del número de puntos de característica contenidos en un único proceso de filtrado. El enfoque representado en este artículo combina el EKF-SLAM con submapas locales, lo que puede mejorar la eficiencia y reducir la complejidad computacional. Al principio, se establece un submapa local independiente para los puntos de características observados. Cuando el número de puntos de características contenidos en el submapa local alcanza un determinado valor umbral, el submapa local se integra en el mapa global. Por último, el submapa se inicializa de nuevo. Los resultados de la simulación muestran que el enfoque puede reducir la complejidad computacional de forma efectiva y aumentar la velocidad de cálculo en gran medida en el caso de mantener la precisión computacional del algoritmo EKF-SLAM tradicional.
Autores: Bo, Zheng; Zexu, Zhang
Idioma: Inglés
Editor: Hindawi
Año: 2019
Disponible con Suscripción Virtualpro
Artículos
Categoría
Procesos industriales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
Hindawi
International Journal of Aerospace Engineering
Volume 2019, Article ID 7637469, 9 pages
https://doi.org/10.1155/2019/7637469
Bo Zheng, Zexu Zhang
, China
Academic Editor: Paolo Gasbarri
Contact: ijae@hindawi.com
En el algoritmo EKF-SLAM tradicional, la complejidad computacional y la incertidumbre crecen rápidamente con el aumento de los puntos de características y la ampliación de la cobertura del mapa. Como sabemos, la complejidad computacional es proporcional a la cuadrática del número de puntos de característica contenidos en un único proceso de filtrado. El enfoque representado en este artículo combina el EKF-SLAM con submapas locales, lo que puede mejorar la eficiencia y reducir la complejidad computacional. Al principio, se establece un submapa local independiente para los puntos de características observados. Cuando el número de puntos de características contenidos en el submapa local alcanza un determinado valor umbral, el submapa local se integra en el mapa global. Por último, el submapa se inicializa de nuevo. Los resultados de la simulación muestran que el enfoque puede reducir la complejidad computacional de forma efectiva y aumentar la velocidad de cálculo en gran medida en el caso de mantener la precisión computacional del algoritmo EKF-SLAM tradicional.
Descripción
En el algoritmo EKF-SLAM tradicional, la complejidad computacional y la incertidumbre crecen rápidamente con el aumento de los puntos de características y la ampliación de la cobertura del mapa. Como sabemos, la complejidad computacional es proporcional a la cuadrática del número de puntos de característica contenidos en un único proceso de filtrado. El enfoque representado en este artículo combina el EKF-SLAM con submapas locales, lo que puede mejorar la eficiencia y reducir la complejidad computacional. Al principio, se establece un submapa local independiente para los puntos de características observados. Cuando el número de puntos de características contenidos en el submapa local alcanza un determinado valor umbral, el submapa local se integra en el mapa global. Por último, el submapa se inicializa de nuevo. Los resultados de la simulación muestran que el enfoque puede reducir la complejidad computacional de forma efectiva y aumentar la velocidad de cálculo en gran medida en el caso de mantener la precisión computacional del algoritmo EKF-SLAM tradicional.