ارائه کننده: احمدرضا صالح 
استاد راهنما: دکتر حمید رضا مومنی 
استاد ناظر اول داخلی: دکتر وحید جوهر ی مجد
استاد ناظر دوم داخلی: دکتر مهدی سجودی
استاد ناظر اول خارج از دانشگاه: دکتر بهزاد مشیری (دانشکده فنی دانشگاه تهران)
استاد ناظر دوم خارج از دانشگاه: دکتر محمد فرخی (دانشگاه علم و صنعت)
تاریخ: 1402/11/15
ساعت: 10
مکان : طبقه سوم دانشکده مهندسی برق و کامپیوتر ، آزمایشگاه اتوماسیون و ابزار دقیق

چکیده:
در سال های اخیر استفاده از حسگرهای نرم با توجه به عدم قطعیت های ذاتی موجود در سخت افزار حسگرها و هزینه های سنگین بهبود آن ، توسعه بسیار یافته است. جهت تخمین پارامترها و کاهش عدم قطعیت یا اثر نویز در حسگرهای نرم از الگوریتم های انطباق به روش های گوناگون استفاده میگردد. روش انطباق دو مجموعه داده در رباتیک، بینایی کامپیوتر،  مدل‌سازی شکل، بازسازی و نقشه‌برداری سطح، هندسه محاسباتی و سایر  زمینه‌ها، بسیار مورد اهمیت و ارزشمند است. در پژوهشهای اخیر ، الگوریتم تکرار نزدیکترین نقطه ICP به عنوان الگوریتم تطبیق داده محور و مبتنی بر  داده تحت نظارت مطرح می باشد. در الگوریتم‌های ICP متداول ، وجود عدم قطعیت اولیه و حداقل‌های محلی چندگانه تابع فاصله ناشی از هندسه متقارن ، بر فرآیند هم‌ترازی و بر هم نهی تأثیر منفی می‌گذارد که منجر به عملکرد ضعیف مانند تطابق نادرست، ناحیه همگرایی باریک و ناپایداری می‌شود.
در این رساله الگوریتم ICP توسعه یافته ایی جهت تخمین پارامترهای انتقال بین داده های اسکن شده توسط حسگر و داده های مدل، ارایه میشود که به کمک ترکیب الگوریتم ICP و الگوریتم خوشه‌بندی K-means و  فیلتر ذرات بدست آمده است. در روش پیشنهادی ، مقادیر اولیه پارامترها و کوواریانس آنها با استفاده از داده های خوشه‌بندی k-means. بدست می آید و سپس یک فیلتر ذرات برای تخمین مقادیر دقیق و انجام بهینه‌سازی فراگیر تعریف میشود. در الگوریتم PF-ICP معرفی شده، پارامترهای انطباق شامل زوایای چرخش، ضریب مقیاس، و انتقال خطی به عنوان عناصر ذرات تعریف میشوند که در یک فیلتر ذرات مبتنی بر نمونه‌برداری مجدد اهمیت ترتیبی (SIR) بهینه میشوند.