ما در این رساله تاثیر الگوریتم های شبکه عصبی را برای مدیریت خصوصیات غیرخطی در بحث موقعیت یابی و نقشه برداری به طور همزمان برای یک ربات متحرک مورد بحث قرار می دهیم و این رساله متد فیلتر ترکیبی موقعیت یابی و نقشه برداری به طور همزمان، موقعیت یابی و نقشه برداری به طور همزمان کالمن فیلتر unscented شبکه عصبی برای یک ربات متحرک ارائه خواهد داد، تا خطای ذاتی موقعیت یابی و نقشه برداری به طور همزمان کالمن فیلتر unscented که به سبب فرآیند خطی سازی و نویز فرضی به وجود می آید را تصحیح کند. الگوریتم ارائه شده شامل دو گام: شبکه های عصبی و الگوریتم کالمن فیلتر unscented است. 1- بررسی مقالات ارائه شده و درک کامل زیرساخت ها و فن آوری های استفاده شده. 2- بررسی و تحلیل مسئله تخمین حالت در رباتیک و به کارگیری از تکنولوژی های مناسب برای رفع چالش فوق. 3- آشنائی باکاربردهایموقعیت یابی و نقشه برداری به طور همزمان درحوزههایمختلف. 4- آشناییباروش هایپرکاربرد و جدیدبرای مسئله موقعیت یابی و نقشه برداری به طور همزمان. 5- یادگیری شبکه های عصبی و تأثیر بکار گیری آنها در مسئله موقعیت یابی و نقشه برداری به طور همزمان. 6- یادگیری مفهوم کالمن فیلتر unscented. 7- ارائه یک مدل مبتنی بر کالمن فیلتر unscented و شبکه های عصبی برای موقعیت یابی و نقشه برداری به طور همزمان ، شبیه سازی برخی رویکردها برای نشان دادن و بررسی مدل ارائه شده. هدف از این پایان نامه: • بهبود مسئله موقعیت یابی و نقشه برداری به طور همزمان • یافتن راه‎ حل های جدید برای مسائل نویز غیرگوسین • برطرف کردن یکی از چالش های موقعیت یابی و نقشه برداری به طور همزمان (دقت تخمین و پیش بینی) تجزیه و تحلیل رویکردهای موجود در این پایان نامه متد موقعیت یابی و نقشه برداری به طور همزمان فیلتر ترکیبی ارئه شده با کالمن فیلتر بی ردپا برای یک ربات متحرک ارائه داده شده است، تا خطای ذاتی موقعیت یابی و نقشه برداری به طور همزمان کالمن فیلتر بی ردپا که به سبب فرآیند خطی سازی و نویز فرضی به وجود می آید را تصحیح شود. الگوریتم ارائه شده شامل دو بخش: شبکه عصبی و الگوریتم کالمن فیلتر بی ردپا است. نتایج شبیه سازی برای دو مورد ناوبری نشان داده که الگوریتم ارائه شده در مقایسه با موقعیت یابی و نقشه برداری به طور همزمان کالمن فیلتر بی ردپا موثرتر و بهتر است و همچنین نشان داده شد که برای محیط های وسیع تر نیز این الگوریتم ارائه شده دارای نتایجی مطلوب است و تنها نیاز به این می باشد که از سنسورهائی با برد مسافتی بالاتر استفاده کرد. برای بررسی تاثیر الگوریتم ارائه شده، شبیه سازی در نرم افزار متلب نشان داد که موقعیت یابی و نقشه برداری به طور همزمان کالمن فیلتر بی ردپا دارای خطاهای بیشتری نسبت به موقعیت یابی و نقشه برداری به طور همزمان فیلتر ترکیبی ارئه شده می باشد. بعلاوه، نتایج تائید می کند که موقعیت یابی و نقشه برداری به طور همزمان فیلتر ترکیبی ارئه شده برای ناوبری ربات در شبیه سازی انجام شده پایدارتر است. همانطور که در شبیه سازی فیلتر های ترکیبی مشاهده شده است، فیلتر ترکیبی ارئه شده با استفاده از شبکه لایه ای-بازگشتی دارای کارائی بهتری نسبت به فیلتر ترکیبی ارئه شده با استفاده از شبکه عصبی المان می باشد. هر چه محیط مورد کاوش گسترده تر شود، فیلتر ترکیبی ارئه شده با استفاده از شبکه عصبی لایه ای-بازگشتی دارای کارائی بهتری نسبت به فیلتر ترکیبی ارئه شده با استفاده از شبکه عصبی المان خواهد بود. به این نکته بایستی توجه شود که مدت زمان اجرا الگوریتم در هر دو نوع فیلتر ترکیبی ارئه شده بیشتر از مدت زمان اجرای الگوریتم در فیلتر های کالمن توسعه یافته و بی ردپا می باشد.