Harakatlanuvchi robotlarda to‘siqlarni aniqlash uchun kalman filtr texnologiyasi
DOI:
https://doi.org/10.5281/zenodo.18093311Ключевые слова:
Kalman filtri, to‘siqlarni aniqlash, robototexnika, mobil robotlar, sensor ma’lumotlarini birlashtirish, shovqinni kamaytirish, pozitsiyani aniqlash, navigatsiya tizimlari, real vaqt monitoringi, kengaytirilgan Kalman filtri (EKF), filtratsiya algoritmlari, LiDAR sensori, ultratovush sensorlari, IMU ma’lumotlari, muhitni xaritalash, avtonom boshqaruv, trayektoriyani prognozlash, ma’lumotlar aniqligi, atrof-muhitni idrok qilishАннотация
Ushbu maqolada avtonom mobil robotlarda to‘siqlarni aniqlash va ularni aylanib o‘tish jarayonida Kalman
filtri texnologiyasining samaradorligi tahlil qilinadi. Robotlar atrof-muhitdagi obyektlar va to‘siqlarni turli sensorlar yordamida
aniqlaydi, biroq sensor ma’lumotlarida shovqin va noaniqliklar mavjud bo‘lishi mumkin. Shu sababli Kalman
filtri real vaqt rejimida sensor ma’lumotlarini integratsiyalash, xatoliklarni kamaytirish hamda robotning holati va pozitsiyasini
aniq prognoz qilish imkonini beradi. Tadqiqotda Kalman filtrining asosiy matematik modeli, prediktsiya va yangilash
bosqichlari yoritilgan, shuningdek, murakkab va dinamik muhitlarda kengaytirilgan Kalman filtri (EKF)dan foydalanish
imkoniyatlari muhokama qilingan. Olingan natijalar Kalman filtridan foydalanish robotlarning to‘siqlarni aniqlash aniqligi va
harakat samaradorligini sezilarli darajada oshirishini ko‘rsatadi. Mazkur texnologiya avtonom tizimlarni optimallashtirish
va xavfsiz harakatlanishni ta’minlashda samarali vosita hisoblanadi
Библиографические ссылки
1. Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems. Transactions of the ASME –
Journal of Basic Engineering, 82(1), 35–45.
2. Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. University of North Carolina, Chapel Hill.
3. Maybeck, P. S. (1979). Stochastic Models, Estimation, and Control. Academic Press.
4. Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic Robotics. MIT Press.
5. Simon, D. (2006). Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley.
6. Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley.
7. Grewal, M. S., & Andrews, A. P. (2015). Kalman Filtering: Theory and Practice with MATLAB. Wiley.
8. Siegwart, R., Nourbakhsh, I. R., & Scaramuzza, D. (2011). Introduction to Autonomous Mobile Robots. MIT Press.
9. Chen, Z. (2003). Bayesian Filtering: From Kalman Filters to Particle Filters and Beyond. McMaster University.
10. Barfoot, T. D. (2017). State Estimation for Robotics. Cambridge University Press.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2025 MAKTABGACHA VA MAKTAB TA’LIMI JURNALI
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
