一种多机器人系统合作定位危险气味源方法技术方案

本发明专利技术涉及一种多机器人系统合作定位危险气味源方法。现有的定位方法成功率较低，系统耗能过多。本发明专利技术首先建立气味源的观测模型，然后获得气味源位置的估计值，气味源位置的先验概率分布；其次如果检测到气味，修正先验概率分布，得到后验概率分布，并对后验概率分布采样，获得该气味源位置的估计值，产生机器人的新位置；如果没有检测到气味，直接采样气味源位置的先验概率分布，获得该气味源位置的估计值，产生机器人的新位置；最后用一致性算法控制机器人向新位置移动。本发明专利技术方法弥补了传统方法的不足，并有效地提高气味源定位的精度，保证多机器人系统能量的较小消耗，同时满足实际中要求快速定位的要求。

【技术实现步骤摘要】

本专利技术属于自动化
，涉及。技术背景危险气味源定位对人类安全有着非常重要的意义，如定位污染物的源头和化学工 厂中有毒气体泄漏的源头等等。因此，如何快速有效地定位危险气味源是一个极其重要的 问题。然而，危险气味源定位问题在不同的环境下，呈现出不同的特点。通常，在没有气流 的条件下，气味分子的扩散是一个主要力量，它能够驱动气味分子远离气味源。最大的浓度 将会在气味源的附近出现。因此，我们可以使用梯度的方法来定位气味源。然而，在真实的 世界里，气流是一种影响气味扩散的主要力量，它通过影响气味分子的运动，而形成羽烟。 在由高Reynolds数刻画的环境里，羽烟将会呈现出高度的不连续性和间歇性，这使得梯度 方法变得不可行。此外，由于多机器人系统的可扩展性和鲁棒性，使得多机器人系统代替单 机器人系统成为危险气味源定位的主要工具。目前，协调多机器人系统定位危险气味源的 主要方法是群智能技术，但是，这种技术的定位成功率较低，也会使多机器人系统消耗过多 的能量，一个主要的原因是，该方法主要是利用了浓度幅值信息，而浓度幅值信息的不稳定 性，往往会使多机器人系统局部收敛。另外，在我国对于多机器人系统的合作定位方法的研 究刚刚开始起步，仍然没有提出行之有效的方法。在这一背景下，本专利技术弥补了现有技术的 不足。
技术实现思路
本专利技术的目标是针对现有技术的不足之处，提出多机器人系统合作定位危险气味 源方法，具体是以最大熵粒子滤波理论为理论基础，设计多机器人合作定位危险气味源方 法。该方法弥补了传统合作搜索方式的不足，保证多机器人系统具有较高的定位精度和稳 定性的同时，也保证形式简单并减少定位过程中多机器人系统消耗的能量。对于每一个机器人，本专利技术方法首先建立气味源的观测模型；然后，以预先估计的 正态分布为背景分布，利用最大熵原理和其他机器人对气味源位置的估计值，获得气味源 位置的先验概率分布；其次，如果检测到气味，利用观测模型获得实际测量值，修正气味源 位置的先验概率分布，从而得到气味源位置的后验概率分布，并对气味源位置的后验概率 分布采样，获得该气味源位置的估计值，进一步产生机器人的新位置；如果没有检测到气 味，直接采样气味源位置的先验概率分布，获得该气味源位置的估计值，进一步产生机器人 的新位置；最后，用一致性算法控制机器人向新位置移动。本专利技术的技术方案是通过数据检测、在线优化、气味源位置概率分布评估等手段， 确立了一种多机器人系统合作定位危险气味源的方法，利用该方法可有效提高气味源定位 的精度。本专利技术方法在第I {ι = Χ-·,η )个机器人上运行的步骤包括(1)利用气味分子的运动学模型，建立气味源位置的观测模型，具体方法是 a.建立单个气味分子团的运动模型权利要求1. ，其特征在于该方法包括以下步骤 (1)利用气味分子的运动学模型，建立气味源位置的观测模型，具体方法是 A .建立单个气味分子团的运动模型全文摘要本专利技术涉及。现有的定位方法成功率较低，系统耗能过多。本专利技术首先建立气味源的观测模型,然后获得气味源位置的估计值，气味源位置的先验概率分布；其次如果检测到气味，修正先验概率分布，得到后验概率分布，并对后验概率分布采样，获得该气味源位置的估计值，产生机器人的新位置；如果没有检测到气味，直接采样气味源位置的先验概率分布，获得该气味源位置的估计值，产生机器人的新位置；最后用一致性算法控制机器人向新位置移动。本专利技术方法弥补了传统方法的不足，并有效地提高气味源定位的精度，保证多机器人系统能量的较小消耗，同时满足实际中要求快速定位的要求。文档编号G06F19/00GK102034030SQ20101060963公开日2011年4月27日 申请日期2010年12月28日 优先权日2010年12月28日专利技术者吕强, 罗平, 谢小高 申请人:杭州电子科技大学本文档来自技高网...

【技术保护点】
一种多机器人系统合作定位危险气味源方法，其特征在于该方法包括以下步骤：（１）利用气味分子的运动学模型，建立气味源位置的观测模型，具体方法是：Ａ．建立单个气味分子团的运动模型：＊（ｔ）＝ｕ（ｔ）＋ρ（ｔ）；其中ｒ（ｔ）指气味分子团在ｔ时刻的位置，＊（ｔ）指气味分子团在ｔ时刻位置的微分，ｕ（ｔ）是在ｔ时刻的均值风速度，ρ（ｔ）表示一个随机过程，该随机过程服从均值为零，方差为σ↑［２］的高斯分布；对气味分子团的运动模型在时间段［ｔ↓［ｌ］，ｔ↓［ｋ］］内进行积分，获得气味分子团在ｔ↓［ｌ］时刻被气味源释放，在当前时刻ｔ↓［ｋ］时的位置：ｒ（ｔ↓［ｌ］，ｔ↓［ｋ］）＝＊ｕ（τ）ｄτ＋＊ρ（τ）ｄτ＋ｒ↓［ｓ］（ｔ↓［ｌ］）其中［ｔ↓［ｌ］，ｔ↓［ｋ］］指积分的时间段，ｔ↓［ｌ］指气味源释放气味分子团的时间，ｔ↓［ｋ］指当前时间，ｒ（ｔ↓［ｌ］，ｔ↓［ｋ］）指的是在当前时间ｔ↓［ｋ］气味分子团的位置，ｒ↓［ｓ］（ｔ↓［ｌ］）是在时刻ｔ↓［ｌ］气味源的位置；Ｂ．通过定义ｖ（ｌ，ｋ）＝＊ｕ（ｊ）ｄｔ≈＊ｕ（τ）ｄτ和ｗ（ｌ，ｋ）＝＊ρ（τ）ｄτ，将运动模型离散化；其中离散时刻ｌ是气味源释放气味分子团时间ｔ↓［ｌ］的整数值，离散时刻ｋ是当前时间ｔ↓［ｋ］的整数值，ｄｔ是指时间的微小变化，气味分子团的离散模型为：ｒ（ｌ，ｋ）＝ｒ↓［ｓ］（ｋ）＋ｖ（ｌ，ｋ）＋ｗ（ｌ，ｋ）其中ｒ（ｌ，ｋ）表示气味源在时刻释放气味分子团，在ｋ时刻的位置；ｖ（ｌ，ｋ）表示在时间段［ｌ，ｋ］内风推动气味分子团的移动距离；ｗ（ｌ，ｋ）表示随机过程，该随机过程服从均值为零，方差（ｋ－ｌ）σ↑［２］的正态分布；令＊（ｋ）＝１／ｋ＊ｖ（ｌ，ｋ），＊（ｋ）＝１／ｋ＊ｗ（ｌ，ｋ）则气味分子团的离散运动模型进一步表示如下：ｒ（ｋ）＝ｒ↓［ｓ］（ｋ）＋＊（ｋ）＋＊（ｋ）其中ｒ（ｋ）为ｋ时刻气味分子团的位置，ｒ↓［ｓ］（ｋ）为ｋ时刻气味源的位置，＊（ｋ）为ｋ时刻风推动气味分子团移动的距离，＊（ｋ）是测量噪声并且服从零均值，１／ｋ＊（ｋ－ｌ）σ↑［２］方差的正态分布；Ｃ．通过定义ｚ↑［ｉ］（ｋ）＝ｒ（ｋ）－＊（ｋ），得到气味源位置的观测模型：ｚ↑［ｉ］（ｋ）＝ｒ↓［ｓ］（ｋ）＋＊（ｋ）其中，ｚ↑［ｉ］（ｋ）是第ｉ个机器人在时刻ｋ对气味源位置ｒ↓［ｓ］（ｋ）的测量值；（２）基于最大熵粒子滤波原理，获得气味源位置的先验概率分布；如果在时刻，检测到气味，使用测量值修正气味源位置的...

【技术特征摘要】

【专利技术属性】
技术研发人员：吕强，谢小高，罗平，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：86[中国|杭州]