توسعه یک چارچوبی مبتنی بر رایانش ابری برای تحلیل انطباق نقشه داده‌های خودروهای شناور

امروزه کاربردهای نوین الگوریتم انطباق نقشه در کنار تلاش برای حفظ نرخ بالای موفقیت، با دو چالش نرخ‌های نمونه‌برداری متغیر و سرعت پردازش داده‌ها روبرو هستند. در این تحقیق یک چارچوب جامع، توزیع یافته، کارآمد و صحیح برای تحلیل انطباق نقشه ارائه‌شده است. چارچوب پیشنهادی در مواجهه با نرخ‌های نمونه‌برداری متفاوت و فارغ از وابستگی به حسگرهای اضافی توانسته به نرخ موفقیت مناسبی دست پیدا کند. همچنین استفاده از روش وزن دهی پویا باعث استقلال چارچوب از پارامترهای محلی شده است. استفاده از مفاهیم سطوح اطمینان صحت و سرعت عملکرد چارچوب را افزایش داده است. در این چارچوب برای پاسخ به چالش نرخ نمونه‌برداری پایین از الگوریتم کوتاه‌ترین مسیر A* با روش وزن دهی پویا استفاده می شود. وزن دهی قید کوتاه ترین مسیر با کمک اطلاعات HDOP انجام می شود. یکی از چالش‌های اصلی در به‌کارگیری داده‌های بزرگ FCD، ذخیره‌سازی، مدیریت، تحلیل و پردازش جمعی آن‌ها است. بدین منظور در این چارچوب از اصول رایانش ابری و الگوی نگاشت کاهش بر روی سکوی هدوپ (Hadoop) استفاده‌شده است. بدین ترتیب چارچوب فوق تحلیلی توزیع یافته، مقیاس‌پذیر و کارآمد را بر روی سخت‌افزارهای معمولی ممکن می‌سازد. جهت ارزیابی عملکرد چارچوب ناوگان حمل و نقل شهر نیویورک به عنوان یکی از بزرگترین ناوگان های حمل و نقلی جهان مورد مطالعه قرار گرفته است. نتایج ارزیابی ها بیانگر نرخ موفقیت 95.2 درصدی در نرخ نمونه برداری بالا (10 ثانیه) و 89.5 درصدی در نرخ نمونه برداری پایین (120ثانیه) است. همچنین مقایسه نتایج روش پیشنهادی با یکی از روش های شناخته شده نشان می‌دهد در نرخ نمونه‌برداری 120 ثانیه روش پیشنهادی صحت انطباق نقشه را تا 9.7 درصد بهبود داده است. ارزیابی‌ها نشان می‌دهد با حضور 5 گره پردازشی چارچوب پیشنهادی توانسته بیش از 7000 نقطه در هر ثانیه را بر روی نقشه منطبق کند.