Existen varias técnicas de renombre para la localización y el mapeo simultáneos (SLAM), desde el clásico SLAM que emplea el filtro de Kalman ampliado, hasta los algoritmos contemporáneos basados en grafos.Nuestro laboratorio ha desarrollado con éxito un algoritmo SLAM único que toma como entrada escaneos láser en 3D.Lo que diferencia a nuestro algoritmo es su aplicación de la teoría de Dempster-Shafer en lugar de la teoría bayesiana para representar el modelo de celdas de un mapa.En los métodos tradicionales, cada celda tiene una probabilidad específica de estar ocupada.Sin embargo, la teoría de Dempster-Shafer permite que múltiples masas residan en una única celda y proporciona fórmulas para actualizar estas masas.El concepto central de este proyecto es aprovechar estas masas para discernir patrones en el mapa.Estos patrones pueden manifestarse como bordes distintivos de objetos o áreas que corresponden a objetos enteros dentro del entorno.

Con los perfiles de nubes de puntos de monitorización, podemos utilizar el método de despliegue de covarianza máxima.Esta técnica permite procesar una dimensión reducida del perfil resultante, preservando al mismo tiempo su relación con las variables explicativas.Estas variables representan el patrón adquirido en función de cómo se desvían ciertos rasgos de una referencia.Entre otros factores, la variable explicativa puede representar el ángulo de desviación del patrón a lo largo de un eje específico.Actualmente estamos explorando el uso del despliegue de covarianza máxima para identificar rápidamente ángulos de 90 grados, frecuentes en entornos interiores, con el fin de ayudar a la localización de robots en dichos espacios.