---

موقعیت‌یابی و نقشه‌سازی همزمان (SLAM) مشکلی اساسی در زمینه ناوبری ربات‌های متحرک است و حل آن یکی از جذاب‌ترین موضوعات کاری محققین بوده است وامروزه یکی از بخش‌های مهم سیستم‌های ناوبری را تشکیل می‌دهد. در این مقاله یک الگوریتم SLAM اینرسی کارآمد برای یک پهپاد یا یک وسیله هوابرد ارائه می‌شود. ساختار SLAM اینرسی مذکور برای بکارگیری دو نوع سنسورRange/Bearing و Bearing-only مناسب بوده و نیازی به سیستم‌های موقعیت‌یاب خارجی همچون GPS و یا هر نوع اطلاعات از قبل تهیه شده ندارد. این مطالعه سیستمی جامع ارایه می‌کند بطوریکه علاوه بر اینکه برکارایی ودقت SLAM سه بعدی می‌افزاید، بر دو مشکل اساسی نیز که در تحقیقات قبلی توجه کمی به آن‌ها شده است غلبه می‌کند؛ اول اینکه کلیه درجات آزادی را برای پهپاد در نظر می‌گیرد یعنی تغییرات موقعیت پهپاد تنها در دو جهت y و x محدود نشده و بلکه تغییرات ارتفاع پهپاد نیز در نظر گرفته ‌می‌شود، دوم اینکه محدودیتی برای موقعیت نشانه‌ها وجود نداشته، یعنی سیستم برپایه سنسورهای اینرسی قادر است تمام نشانه‌ها را در ارتفاعات متفاوت مشاهده کند. نهایتا با استفاده از اطلاعات پروازی یک هواپیمای واقعی، صحت عملکرد الگوریتم با ارایه نتایج شبیه‌سازی‌ها به اثبات رسید

---

با توجه به عدم کارآیی مناسب روش‌های مبتنی بر فیلتر کالمن برای تلفیق داده‌های ناوبری INS/GNSS در زمان قطع شدن سیگنال‌های GNSS، استفاده از تکنیک‌های هوش مصنوعی در معماری تلفیق مرسوم شده است. از این رو در این مقاله ضمن ارائه‌ی یک معماری ترکیبی مؤثر، از شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) برای پیش‌بینی مشاهدات مورد نیاز فیلتر کالمن در شرایط قطع شدن طولانی مدت GNSS استفاده شده است. در مدل پیشنهادی، برای آموزش شبکه عصبی، سرعت‌ها و موقعیت‌های INS به‌عنوان ورودی‌ها و سرعت‌ها و موقعیت‌های GNSS به‌عنوان خروجی‌های شبکه در نظر گرفته شده ­اند. این رویکرد در عین کاربردی و عملیاتی بودن، سبب کاهش چشمگیر بار محاسباتی و افزایش دقت و سرعت تخمین شده است. نتایج شبیه‌سازی‌‌ها نشان می‌دهند که به‌دلیل ساختار ساده و در عین حال مقاوم معماری تلفیق پیشنهادی، و البته انتخاب شبکه عصبی کارآمد با قابلیت کشف ارتباط مؤثر میان ورودی‌ها و خروجی‌ها و به تبع آن اصلاح مناسب خطاهای مربوط به سرعت‌ها و موقعیت‌های INS، می‌توان از روش ارائه شده برای ناوبری پیوسته، خوداتکا، با قابلیت اطمینان و دقت بالا در کاربردهای زمان واقعی استفاده نمود.