Optimización de Parámetros de Algoritmos SLAM Mediante Algoritmos Genéticos para la Reducción del Error de Mapeo

Abstract

Este trabajo evalúa el impacto del uso de algoritmos genéticos en la optimización externa de parámetros de algoritmos SLAM, aplicado en un entorno de prueba simulado y respaldado por pruebas estadísticas que permiten establecer niveles de confianza sobre los resultados obtenidos. El enfoque propuesto se plantea de manera general para cualquier algoritmo SLAM; sin embargo, para la validación experimental se emplea el algoritmo KARTOSLAM, el cual demostró un balance adecuado entre error de mapeo, error de postura y consumo de recursos computacionales tras un proceso de optimización manual. Durante las pruebas de optimización se evaluaron múltiples escenarios que combinan distintas cantidades de generaciones y pobladores, con el objetivo de estimar, para el caso de estudio, a partir de qué configuraciones se obtienen resultados aceptables. Los resultados evidencian un punto de optimización aparente al evaluar 147 individuos; a partir de este umbral, incrementar la cantidad de generaciones y pobladores no produce mejoras significativas que justifiquen el costo computacional adicional. Finalmente, se demuestra que, para todos los escenarios que utilizaron más de 147 individuos, los errores de mapeo obtenidos son menores, con un 95% de confianza, en comparación con aquellos generados utilizando los parámetros por defecto y los parámetros optimizados en un trabajo previo.