FastSLAM2.0 je algoritam za istodobnu lokalizaciju robota i kartiranje prostora koji koristi Rao-Blackwell verziju čestičnog filtra (RBPF). Jedan od problema FastSLAM2.0 algoritma je u dizajnu samog RBPF-a. Performanse i kvaliteta estimacije RBPF-a značajno ovisi o apriori poznavanju procesa i matrica kovarijanci mjernog šuma koje su za većinu procesa iz stvarnog svijeta nepoznate. S druge strane pogrešno pretpostavka može značajno narušiti performanse. Ovaj rad predstavlja inteligentnu verziju RBPF-a koja rješava ovaj problem. Predstavljena metoda koristi dva adaptivna neizrazito-neuronska sustava (ANFIS) za podešavanje matrica kovarijanci procesnog i mjernog šuma čime se povećava točnost i konzistencija RBPF algoritma. Također koristi se i optimizacija roja čestica (PSO) za optimiziranje performansi otipkavanja. Eksperimentalni rezultati pokazuju efikasnost predloženog algoritma.