CN117148872B - 多气体扩散源场景下的机器人协同寻源方法、装置及设备 - Google Patents
多气体扩散源场景下的机器人协同寻源方法、装置及设备 Download PDFInfo
- Publication number
- CN117148872B CN117148872B CN202311440993.XA CN202311440993A CN117148872B CN 117148872 B CN117148872 B CN 117148872B CN 202311440993 A CN202311440993 A CN 202311440993A CN 117148872 B CN117148872 B CN 117148872B
- Authority
- CN
- China
- Prior art keywords
- robot
- target point
- source
- gas diffusion
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009792 diffusion process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000002245 particle Substances 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000013439 planning Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 37
- 239000000203 mixture Substances 0.000 claims description 37
- 230000007246 mechanism Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请涉及一种多气体扩散源场景下的机器人协同寻源方法、装置及设备。所述方法包括:对多气体扩散源场景进行区域划分并采用贪婪算法获取每个机器人对应的目标点,机器人根据自身与对应目标点之间的位置关系,采用模型切换机制前往对应目标点所在区域进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新,当粒子滤波未收敛时,重复采用贪婪算法获取每个机器人的新目标点,当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径,最后通过机器人循环执行新目标点所在区域的浓度感知,完成多气体扩散源场景下所有区域的寻源。采用本方法能够在未知泄漏源场景下进行气体源协同搜索。
Description
技术领域
本申请涉及机器人控制技术领域,特别是涉及一种多气体扩散源场景下的机器人协同寻源方法、装置及设备。
背景技术
源搜索需要利用传感器对气体、辐射、声等信号源进行处理并实现源的定位。在复杂环境中,存在着寻源范围大,且场景没有先验知识,同时也可能会有各种障碍物的特点。这些特点为寻源工作带来了很多困难。目前大多数的寻源算法都针对的是小范围场景,而在大范围场景寻源效率大大降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在未知泄漏源场景下进行气体源协同搜索的多气体扩散源场景下的机器人协同寻源方法、装置及设备。
一种多气体扩散源场景下的机器人协同寻源方法,所述方法包括:
对多气体扩散源场景进行区域划分,并将每个区域内的中心点标记为目标点;
通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对机器人寻源目标函数进行求解,获取每个机器人对应的目标点;
每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新;
当粒子滤波没有收敛时,采用贪婪算法获取每个机器人的新目标点;当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径;其中,当粒子滤波没有收敛时,新目标点为根据贪婪算法获取的距离每个机器人当前位置最近的未知区域的中心点;当粒子滤波收敛时,新目标点为拟合气体扩散分布的高斯混合分布中的均值点;
通过机器人循环执行新目标点所在区域的浓度感知,生成多气体扩散源场景下的机器人协同寻源方案,完成多气体扩散源场景下所有区域的寻源。
在其中一个实施例中,对多气体扩散源场景进行区域划分,包括:
将多气体扩散源场景划分为同等大小的区域,并根据感知状态将所有区域分类为已感知区域、待感知区域和未知区域;其中,已感知区域表示已有机器人进行感知的区域或区域内粒子数量小于设定阈值的区域,待感知区域表示已有机器人进行标记并准备进行感知的区域,未知区域表示没有机器人准备感知的区域。
在其中一个实施例中,通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对机器人寻源目标函数进行求解,获取每个机器人对应的目标点,包括:
通过最小化机器人寻源的最长路径构建机器人寻源目标函数的表达式为
;
其中,表示第/>个机器人从当前位置到达目标点需要走过的路程,N表示机器人的数量;
采用贪婪算法对机器人寻源目标函数进行求解,选取距离每个机器人当前位置最近的未知区域的中心点作为对应的目标点。
在其中一个实施例中,每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,包括:
当机器人与对应的目标点分别处在不同区域时,机器人切换奔袭状态前往对应的目标点所在区域;
当机器人与对应的目标点处在同一区域时,机器人切换感知状态进行气体浓度感知。
在其中一个实施例中,根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新,包括:
将感知得到的粒子滤波样本的源项估计代入高斯混合模型,通过最大期望算法对高斯混合模型进行求解,得到高斯混合模型的参数,分别表示为
;
;
;
其中,表示高斯分布的系数,/>表示均值,/>表示协方差矩阵,/>表示第n个粒子滤波样本的源项估计,隐变量/>表示第n个粒子滤波样本属于第/>个高斯分布的概率,m表示高斯分布的数量,上标T表示矩阵转置;
根据确定参数的高斯混合模型对粒子滤波样本的分布进行拟合更新,得到粒子滤波样本的源项估计的后验概率密度函数,表示为
;
;
其中,高斯分布的系数满足/>,K表示/>的数量,/>表示均值为/>,协方差矩阵为/>的第/>个高斯概率密度函数,/>为变量的维度。
在其中一个实施例中,当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径,包括:
当粒子滤波收敛时,设置第个机器人的当前位置为/>,寻新目标点的位置为,已感知区域与未知区域的边界节点为c,计算机器人从当前位置穿过已感知区域与未知区域的边界节点到达新目标点所在位置的总路径损耗为
;
其中,表示机器人从/>到边界节点c的路径损耗,/>表示机器人从边界节点c到/>的路径损耗;
根据局部优化算法对总路径损耗进行优化,选择路径总损耗最小时的路径作为最优路径,其中,最优路径下的最小总路径损耗为
;
其中,表示机器人从/>到边界节点c的最小路径损耗,/>表示机器人从边界节点c到/>的最小路径损耗。
一种多气体扩散源场景下的机器人协同寻源装置,装置包括:
区域划分模块,用于对多气体扩散源场景进行区域划分,并将每个区域内的中心点标记为目标点;
目标点匹配模块,用于通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对机器人寻源目标函数进行求解,获取每个机器人对应的目标点;
浓度感知模块,用于每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新;
路径规划模块,用于当粒子滤波没有收敛时,采用贪婪算法获取每个机器人的新目标点;当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径;其中,当粒子滤波没有收敛时,新目标点为根据贪婪算法获取的距离每个机器人当前位置最近的未知区域的中心点;当粒子滤波收敛时,新目标点为拟合气体扩散分布的高斯混合分布中的均值点;
寻源方案生成模块,用于通过机器人循环执行新目标点所在区域的浓度感知,生成多气体扩散源场景下的机器人协同寻源方案,完成多气体扩散源场景下所有区域的寻源。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
对多气体扩散源场景进行区域划分,并将每个区域内的中心点标记为目标点;
通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对机器人寻源目标函数进行求解,获取每个机器人对应的目标点;
每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新;
当粒子滤波没有收敛时,采用贪婪算法获取每个机器人的新目标点;当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径;其中,当粒子滤波没有收敛时,新目标点为根据贪婪算法获取的距离每个机器人当前位置最近的未知区域的中心点;当粒子滤波收敛时,新目标点为拟合气体扩散分布的高斯混合分布中的均值点;
通过机器人循环执行新目标点所在区域的浓度感知,生成多气体扩散源场景下的机器人协同寻源方案,完成多气体扩散源场景下所有区域的寻源。
上述多气体扩散源场景下的机器人协同寻源方法、装置及设备,对多气体扩散源场景进行区域划分,并将每个区域内的中心点标记为目标点;通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对机器人寻源目标函数进行求解,获取每个机器人对应的目标点;每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新;当粒子滤波没有收敛时,重复采用贪婪算法获取每个机器人的新目标点;当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径;最后通过循环执行上述步骤,生成多气体扩散源场景下的机器人协同寻源方案,完成多气体扩散源场景下所有区域的寻源任务。采用本方法能够在未知泄漏源场景下进行气体源协同搜索,适用场景广泛,搜索效率和成功率高,在各种寻源条件下具有鲁棒性强的优点。
附图说明
图1为一个实施例中多气体扩散源场景下的机器人协同寻源方法的流程示意图;
图2为一个实施例中多气体扩散源场景下的机器人协同寻源方案的基本过程示意图;
图3为一个实施例中区域划分示意图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种多气体扩散源场景下的机器人协同寻源方法,包括以下步骤:
步骤S1,对多气体扩散源场景进行区域划分,并将每个区域内的中心点标记为目标点。
步骤S2,通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对机器人寻源目标函数进行求解,获取每个机器人对应的目标点。
步骤S3,每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新。
步骤S4,当粒子滤波没有收敛时,采用贪婪算法获取每个机器人的新目标点;当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径;其中,当粒子滤波没有收敛时,新目标点为根据贪婪算法获取的距离每个机器人当前位置最近的未知区域的中心点;当粒子滤波收敛时,新目标点为拟合气体扩散分布的高斯混合分布中的均值点(也称MEGI目标点)。
步骤S5,通过机器人循环执行新目标点所在区域的浓度感知,生成如图2所示的多气体扩散源场景下的机器人协同寻源方案,完成多气体扩散源场景下所有区域的寻源。
在其中一个实施例中,如图2和图3所示,对多气体扩散源场景进行区域划分,包括:
将多气体扩散源场景划分为同等大小的区域,并根据感知状态将所有区域分类为已感知区域、待感知区域和未知区域;其中,已感知区域表示已有机器人进行感知的区域或区域内粒子数量小于设定阈值的区域,待感知区域表示已有机器人进行标记并准备进行感知的区域,未知区域表示没有机器人准备感知的区域。
可以理解,区域划分的大小可以根据具体实际情况决定,假若场景范围较大,则划分的区域相应较大,若场景范围较小,则划分的区域相应较小。
在其中一个实施例中,通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对机器人寻源目标函数进行求解,获取每个机器人对应的目标点,包括:
通过最小化机器人寻源的最长路径构建机器人寻源目标函数的表达式为
;
其中,表示第/>个机器人从当前位置到达目标点需要走过的路程,N表示机器人的数量;具体地,机器人寻源目标函数地约束之一是每个机器人应对应一个目标区域,即
;
其中为决策变量,表示第/>个机器人从a区域前往b区域,/>,每个区域有三种状态,即/>;/> 、/>分别代表在感知地图中划定区域在整个地图中位置的行列序号。
采用贪婪算法对机器人寻源目标函数进行求解,选取距离每个机器人当前位置最近的未知区域的中心点作为对应的目标点。
可以理解,机器人寻源目标函数可以实现对超大范围的区域覆盖路径规划,但是随着单元格规模的增加,计算复杂度指数上升,为了让寻源速度加快,需要降低算法的复杂度,本申请采用贪婪算法对机器人寻源目标函数进行求解,贪婪算法的策略即为当前机器人到达目标区域后,即选择与之最近且状态为未知区域的中心点为目标点。贪婪算法是一种局部最优算法,虽然不能总是获得整体最优解,但可以近似最优解,同时考虑到算法复杂度的问题,选择贪婪算法效果较好。
在其中一个实施例中,每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,包括:
当机器人与对应的目标点分别处在不同区域时,机器人切换奔袭状态前往对应的目标点所在区域;
当机器人与对应的目标点处在同一区域时,机器人切换感知状态进行气体浓度感知。
可以理解,在奔袭状态下,机器人仅使用视觉传感器,因此在奔袭状态下机器人的速度较快,可以快速对障碍场景进行感知,且适合于机器人迅速前往目标点,奔袭状态更偏向于探索;在感知状态机器人使用气体浓度传感器进行浓度感知,同时也可以使用视觉传感器进行避障,在感知状态下机器人速度较慢,但其可以观测自身位置的气体信号,来更新对浓度场的感知,因此感知状态更偏向于开发。
在其中一个实施例中,根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新,包括:
将感知得到的粒子滤波样本的源项估计代入高斯混合模型,通过最大期望算法对高斯混合模型进行求解,得到高斯混合模型的参数,分别表示为
;
;
;
其中,表示高斯分布的系数,满足于/>,K表示/>的数量,/>表示均值,表示协方差矩阵,/>表示第n个粒子滤波样本的源项估计,隐变量表示第n个粒子滤波样本属于第i个高斯分布的概率,m表示高斯分布的数量,上标T表示矩阵转置;
根据确定参数的高斯混合模型对粒子滤波样本的分布进行拟合更新,得到粒子滤波样本的源项估计的后验概率密度函数,表示为
;
;
其中,表示均值为/>,协方差矩阵为/>的第i个高斯概率密度函数,为变量的维度。
在其中一个实施例中,当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径,包括:
当粒子滤波收敛时,设置第i个机器人的当前位置为,新目标点的位置为/>,已感知区域与未知区域的边界节点为c,计算机器人从当前位置穿过已感知区域与未知区域的边界节点到达新目标点所在位置的总路径损耗为
;
其中,表示机器人从/>到边界节点c的路径损耗,/>表示机器人从边界节点c到/>的路径损耗;
根据局部优化算法对总路径损耗进行优化,选择路径总损耗最小时的路径作为最优路径,其中,最优路径下的最小总路径损耗为
;
其中,表示机器人从/>到边界节点c的最小路径损耗,/>表示机器人从边界节点c到/>的最小路径损耗。
具体的,本申请采用的局部优化算法为A*算法,算法是一种静态路网中求解最短路径最有效的直接搜索方法,也是解决许多搜索问题的有效算法。
应该理解的是,虽然图1和图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1和图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种多气体扩散源场景下的机器人协同寻源装置,包括:
区域划分模块,用于对多气体扩散源场景进行区域划分,并将每个区域内的中心点标记为目标点;
目标点匹配模块,用于通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对机器人寻源目标函数进行求解,获取每个机器人对应的目标点;
浓度感知模块,用于每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新;
路径规划模块,用于当粒子滤波没有收敛时,采用贪婪算法获取每个机器人的新目标点;当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径;其中,当粒子滤波没有收敛时,新目标点为根据贪婪算法获取的距离每个机器人当前位置最近的未知区域的中心点;当粒子滤波收敛时,新目标点为拟合气体扩散分布的高斯混合分布中的均值点;
寻源方案生成模块,用于通过机器人循环执行新目标点所在区域的浓度感知,生成多气体扩散源场景下的机器人协同寻源方案,完成多气体扩散源场景下所有区域的寻源。
关于多气体扩散源场景下的机器人协同寻源装置的具体限定可以参见上文中对于多气体扩散源场景下的机器人协同寻源方法的限定,在此不再赘述。上述多气体扩散源场景下的机器人协同寻源装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多气体扩散源场景下的机器人协同寻源方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对多气体扩散源场景进行区域划分,并将每个区域内的中心点标记为目标点;
通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对机器人寻源目标函数进行求解,获取每个机器人对应的目标点;
每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新;
当粒子滤波没有收敛时,采用贪婪算法获取每个机器人的新目标点;当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径;其中,当粒子滤波没有收敛时,新目标点为根据贪婪算法获取的距离每个机器人当前位置最近的未知区域的中心点;当粒子滤波收敛时,新目标点为拟合气体扩散分布的高斯混合分布中的均值点;
通过机器人循环执行新目标点所在区域的浓度感知,生成多气体扩散源场景下的机器人协同寻源方案,完成多气体扩散源场景下所有区域的寻源。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (6)
1.一种多气体扩散源场景下的机器人协同寻源方法,其特征在于,所述方法包括:
对多气体扩散源场景进行区域划分,并将每个区域内的中心点标记为目标点;
通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对所述机器人寻源目标函数进行求解,获取每个机器人对应的目标点;
每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新;
当粒子滤波没有收敛时,采用贪婪算法获取每个机器人的新目标点;当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径;其中,当粒子滤波没有收敛时,所述新目标点为根据贪婪算法获取的距离每个机器人当前位置最近的未知区域的中心点;当粒子滤波收敛时,所述新目标点为拟合气体扩散分布的高斯混合分布中的均值点;
通过机器人循环执行新目标点所在区域的浓度感知,生成多气体扩散源场景下的机器人协同寻源方案,完成多气体扩散源场景下所有区域的寻源;
其中,每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,包括:
当机器人与对应的目标点分别处在不同区域时,机器人切换奔袭状态前往对应的目标点所在区域;当机器人与对应的目标点处在同一区域时,机器人切换感知状态进行气体浓度感知;在奔袭状态下,机器人仅使用视觉传感器对障碍场景进行感知;在感知状态下,机器人使用气体浓度传感器进行浓度感知,同时也可以使用视觉传感器进行避障;
根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新,包括:
将感知得到的粒子滤波样本的源项估计代入高斯混合模型,通过最大期望算法对高斯混合模型进行求解,得到高斯混合模型的参数,分别表示为
;
;
;
其中,表示高斯分布的系数,满足于/>, K表示/>的数量,/>表示均值,/>表示协方差矩阵,/>表示第n个粒子滤波样本的源项估计,隐变量/>表示第n个粒子滤波样本属于第i个高斯分布的概率,m表示高斯分布的数量,上标T表示矩阵转置;
根据确定参数的高斯混合模型对粒子滤波样本的分布进行拟合更新,得到粒子滤波样本的源项估计的后验概率密度函数,表示为
;
;
其中,表示均值为/>,协方差矩阵为/>的第i个高斯概率密度函数,/>为变量的维度。
2.根据权利要求1所述的方法,其特征在于,对多气体扩散源场景进行区域划分,包括:
将多气体扩散源场景划分为同等大小的区域,并根据感知状态将所有区域分类为已感知区域、待感知区域和未知区域;其中,已感知区域表示已有机器人进行感知的区域或区域内粒子数量小于设定阈值的区域,待感知区域表示已有机器人进行标记并准备进行感知的区域,未知区域表示没有机器人准备感知的区域。
3.根据权利要求2所述的方法,其特征在于,通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对所述机器人寻源目标函数进行求解,获取每个机器人对应的目标点,包括:
通过最小化机器人寻源的最长路径构建机器人寻源目标函数的表达式为
;
其中,表示第i个机器人从当前位置到达目标点需要走过的路程,N表示机器人的数量;
采用贪婪算法对所述机器人寻源目标函数进行求解,选取距离每个机器人当前位置最近的未知区域的中心点作为对应的目标点。
4.根据权利要求1所述的方法,其特征在于,当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径,包括:
当粒子滤波收敛时,设置第i个机器人的当前位置为,新目标点的位置为/>,已感知区域与未知区域的边界节点为c,计算机器人从当前位置穿过已感知区域与未知区域的边界节点到达新目标点所在位置的总路径损耗为
;
其中,表示机器人从/>到边界节点c的路径损耗,/>表示机器人从边界节点c到/>的路径损耗;
根据局部优化算法对所述总路径损耗进行优化,选择路径总损耗最小时的路径作为最优路径,其中,最优路径下的最小总路径损耗为
;
其中,表示机器人从/>到边界节点c的最小路径损耗,/>表示机器人从边界节点c到/>的最小路径损耗。
5.一种多气体扩散源场景下的机器人协同寻源装置,其特征在于,所述装置包括:
区域划分模块,用于对多气体扩散源场景进行区域划分,并将每个区域内的中心点标记为目标点;
目标点匹配模块,用于通过最小化机器人寻源的最长路径构建机器人寻源目标函数,采用贪婪算法对所述机器人寻源目标函数进行求解,获取每个机器人对应的目标点;
浓度感知模块,用于每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,并根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新;
路径规划模块,用于当粒子滤波没有收敛时,采用贪婪算法获取每个机器人的新目标点;当粒子滤波收敛时,根据局部优化算法规划机器人从当前位置前往新目标点的最优路径;其中,当粒子滤波没有收敛时,所述新目标点为根据贪婪算法获取的距离每个机器人当前位置最近的未知区域的中心点;当粒子滤波收敛时,所述新目标点为拟合气体扩散分布的高斯混合分布中的均值点;
寻源方案生成模块,用于通过机器人循环执行新目标点所在区域的浓度感知,生成多气体扩散源场景下的机器人协同寻源方案,完成多气体扩散源场景下所有区域的寻源;
其中,每个机器人根据自身与对应的目标点之间的位置关系,采用模式切换机制前往对应的目标点所在区域并进行浓度感知,包括:
当机器人与对应的目标点分别处在不同区域时,机器人切换奔袭状态前往对应的目标点所在区域;当机器人与对应的目标点处在同一区域时,机器人切换感知状态进行气体浓度感知;在奔袭状态下,机器人仅使用视觉传感器对障碍场景进行感知;在感知状态下,机器人使用气体浓度传感器进行浓度感知,同时也可以使用视觉传感器进行避障;
根据高斯混合模型对感知得到的粒子滤波样本的分布进行拟合更新,包括:
将感知得到的粒子滤波样本的源项估计代入高斯混合模型,通过最大期望算法对高斯混合模型进行求解,得到高斯混合模型的参数,分别表示为
;
;
;
其中,表示高斯分布的系数,满足于/>, K表示/>的数量,/>表示均值,/>表示协方差矩阵,/>表示第n个粒子滤波样本的源项估计,隐变量表示第n个粒子滤波样本属于第i个高斯分布的概率,m表示高斯分布的数量,上标T表示矩阵转置;
根据确定参数的高斯混合模型对粒子滤波样本的分布进行拟合更新,得到粒子滤波样本的源项估计的后验概率密度函数,表示为
;
;
其中,表示均值为/>,协方差矩阵为/>的第i个高斯概率密度函数,/>为变量的维度。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311440993.XA CN117148872B (zh) | 2023-11-01 | 2023-11-01 | 多气体扩散源场景下的机器人协同寻源方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311440993.XA CN117148872B (zh) | 2023-11-01 | 2023-11-01 | 多气体扩散源场景下的机器人协同寻源方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117148872A CN117148872A (zh) | 2023-12-01 |
CN117148872B true CN117148872B (zh) | 2024-01-26 |
Family
ID=88903270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311440993.XA Active CN117148872B (zh) | 2023-11-01 | 2023-11-01 | 多气体扩散源场景下的机器人协同寻源方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148872B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156888A (zh) * | 2016-06-30 | 2016-11-23 | 广东电网有限责任公司电力科学研究院 | 一种巡检机器人的巡检路径规划方法及装置 |
CN112053117A (zh) * | 2020-09-11 | 2020-12-08 | 东北大学 | 一种协同配送的路径规划方法及装置 |
CN114131600A (zh) * | 2021-12-01 | 2022-03-04 | 中国人民解放军国防科技大学 | 基于高斯混合模型的机器人源搜索方案的生成方法及系统 |
CN114154383A (zh) * | 2021-12-01 | 2022-03-08 | 中国人民解放军国防科技大学 | 基于认知搜索策略的多机器人源搜索方案生成方法及系统 |
CN114326755A (zh) * | 2022-03-15 | 2022-04-12 | 中国人民解放军国防科技大学 | 基于局部路径规划的机器人气体源搜索方法 |
CN114779801A (zh) * | 2021-01-22 | 2022-07-22 | 中国科学院沈阳自动化研究所 | 一种面向目标探测的自主遥控水下机器人路径规划方法 |
CN115936286A (zh) * | 2023-02-03 | 2023-04-07 | 中国人民解放军国防科技大学 | 基于信息路径规划的多气体扩散源场景下机器人寻源方法 |
-
2023
- 2023-11-01 CN CN202311440993.XA patent/CN117148872B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156888A (zh) * | 2016-06-30 | 2016-11-23 | 广东电网有限责任公司电力科学研究院 | 一种巡检机器人的巡检路径规划方法及装置 |
CN112053117A (zh) * | 2020-09-11 | 2020-12-08 | 东北大学 | 一种协同配送的路径规划方法及装置 |
CN114779801A (zh) * | 2021-01-22 | 2022-07-22 | 中国科学院沈阳自动化研究所 | 一种面向目标探测的自主遥控水下机器人路径规划方法 |
CN114131600A (zh) * | 2021-12-01 | 2022-03-04 | 中国人民解放军国防科技大学 | 基于高斯混合模型的机器人源搜索方案的生成方法及系统 |
CN114154383A (zh) * | 2021-12-01 | 2022-03-08 | 中国人民解放军国防科技大学 | 基于认知搜索策略的多机器人源搜索方案生成方法及系统 |
CN114326755A (zh) * | 2022-03-15 | 2022-04-12 | 中国人民解放军国防科技大学 | 基于局部路径规划的机器人气体源搜索方法 |
CN115936286A (zh) * | 2023-02-03 | 2023-04-07 | 中国人民解放军国防科技大学 | 基于信息路径规划的多气体扩散源场景下机器人寻源方法 |
Non-Patent Citations (2)
Title |
---|
A strategy for autonomous source searching using the Gaussian Mixture Model to fit the estimate of the source location;Yatai Ji 等;《IEEE》;全文 * |
Source searching in unknown obstructed environments through source estimation, target determination, and path planning;Yong Zhao 等;《web of science》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117148872A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Evolutionary Markov dynamics for network community detection | |
Zhang et al. | Cooperative and geometric learning algorithm (CGLA) for path planning of UAVs with limited information | |
Beeching et al. | Learning to plan with uncertain topological maps | |
Pellegrini et al. | Formulation and parameter selection of multi-objective deterministic particle swarm for simulation-based optimization | |
Lei et al. | Detecting protein complexes from DPINs by density based clustering with Pigeon-Inspired Optimization Algorithm | |
Bohg et al. | Strategies for multi-modal scene exploration | |
Zhang et al. | A decomposition-rotation dominance based evolutionary algorithm with reference point adaption for many-objective optimization | |
Jiang et al. | Block-level knowledge transfer for evolutionary multitask optimization | |
Liu et al. | Auto-sharing parameters for transfer learning based on multi-objective optimization | |
CN115390565A (zh) | 一种基于改进d星算法的无人艇动态路径规划方法与系统 | |
Wei et al. | SSMA: Simplified slime mould algorithm for optimization wireless sensor network coverage problem | |
Huang et al. | Protein 3d graph structure learning for robust structure-based protein property prediction | |
CN117148872B (zh) | 多气体扩散源场景下的机器人协同寻源方法、装置及设备 | |
Bai et al. | Multi-AUV dynamic trajectory optimization and collaborative search combined with task urgency and energy consumption scheduling in 3-D underwater environment with random ocean currents and uncertain obstacles | |
Zhu et al. | Hierarchical reinforcement learning based on KNN classification algorithms | |
Grisetti et al. | Speeding-up rao-blackwellized SLAM | |
Belta et al. | Computational techniques for analysis of genetic network dynamics | |
CN115903808A (zh) | 基于粒子群、蚁群和A-Star算法结合的机器人路径规划方法 | |
Qin et al. | Dynamic detection of topological information from grid-based generalized Voronoi diagrams | |
CN114815899A (zh) | 基于3d激光雷达传感器的无人机三维空间路径规划方法 | |
Luo | Matlab-realized visual A* path planning teaching platform | |
Li et al. | Comparison of Model-Free and Model-Based Learning-Informed Planning for PointGoal Navigation | |
Li et al. | An improved regularity-based vector evolutionary algorithm for multi-objective optimizations | |
Wei et al. | A Reinforcement Learning Framework for Efficient Informative Sensing | |
Havangi et al. | A SLAM based on auxiliary marginalised particle filter and differential evolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |