CN101413804A - 动态整合多种搜寻策略的气体泄漏源搜寻方法 - Google Patents
动态整合多种搜寻策略的气体泄漏源搜寻方法 Download PDFInfo
- Publication number
- CN101413804A CN101413804A CNA2008101536364A CN200810153636A CN101413804A CN 101413804 A CN101413804 A CN 101413804A CN A2008101536364 A CNA2008101536364 A CN A2008101536364A CN 200810153636 A CN200810153636 A CN 200810153636A CN 101413804 A CN101413804 A CN 101413804A
- Authority
- CN
- China
- Prior art keywords
- searching
- search
- driving force
- neural network
- wind
- 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.)
- Granted
Links
Images
Landscapes
- Examining Or Testing Airtightness (AREA)
- Manipulator (AREA)
- Alarm Systems (AREA)
Abstract
一种动态整合多种搜寻策略的气体泄漏源搜寻方法，有：采用人工神经网络方法估计不同搜寻条件下的各类搜寻方法适用度的阶段，确定影响各搜寻方法性能的主要因素，和训练用于估计各搜寻方法适用度的人工神经网络；烟羽发现阶段的整合方式，即，采用基于视觉注意机制的搜寻方法与随机搜寻方法相结合的整合策略；烟羽追踪阶段的整合方式，当机器人检测到气体浓度信息时，采用化学趋向性方法和风趋向性方法以及视觉方法分别判定下一步的搜寻方向，并将当前时刻的搜寻条件，即影响搜寻方法性能的主要因素，输入至训练好的人工神经网络得到各方法的适用度，采用驱动力矢量合成的方法规划机器人局部搜寻路径。本发明可显著提高气体泄漏源搜寻的效率和成功率。
Description
技术领域
本发明涉及一种气体泄漏源搜寻方法。特别是涉及一种对环境或搜寻条件的变化具有很强的应变能力，可显著提高气体泄漏源搜寻的效率和成功率的动态整合多种搜寻策略的气体泄漏源搜寻方法。
背景技术
随着工业化的发展，毒害气体泄漏引发的恶性事故频频发生，借助移动机器人迅速探明毒害气体泄漏源，消除灾害隐患，对保证生产和人员安全具有重要意义。
传统的气体泄漏源嗅觉搜寻方法主要分两步完成。首先，应尽快找到泄漏气体信息；其次，快速地追踪泄漏气体信息，即烟羽发现和烟羽追踪。在烟羽发现方面，目前普遍采用随机搜索方式，如“Z”(Zigzag)字形运动、螺旋运动等方法(期刊：IEEE SensorsJournal；著者：Hayes A T，Martinoli A，Goodman R M；出版年月：2002年；文章题目：Distributed odor source localization，页码：260-271)。但是，这些便利方法都是基于场景中的所有区域出现泄漏源的概率相同的假设，该假设显然与实际情况不符，因为场景中有些区域出现泄漏源的概率大，有些则可能小，因此上述随机方法存在一定的盲目性。在烟羽追踪方面，目前典型的追踪方法主要有两大类：化学趋向性(Chemotaxis)方法和风趋向性(Anemotaxis)方法。其中，化学趋向性方法主要是依据气体传感器所获取的气体浓度(或浓度梯度)信息追踪气体烟羽，并最终找到气味源(期刊：IEEE Transactions on Systems，Man and Cybernetics Part B：Cybernetics；著者：Pang S，Farrell J A；出版年月：2006年；文章题目：Chemical plume sourcelocalization，页码：1068-1080)。化学趋向性方法由于受传感器恢复时间(多在几十秒)的限制，仅在连续分布的烟羽环境中可以成功，而这样的烟羽一般只在室内(平均风速小于20cm/s)且气体长时间泄漏之后才可能出现。但在实际烟羽中，由于湍流引起不同尺度的漩涡会将气体烟羽“撕”成很多细丝，从而导致烟羽内部的浓度发生剧烈振荡，致使机器人很容易陷入局部最优而搜寻失败。风趋向性方法是当机器人感知到气体烟羽信息时便沿着逆风方向追踪并找到气味源(期刊：IEEE International Conferenceon Mechatronics and Automation，；著者：Lu T F，Liang C；出版年月：2006年；文章题目：Novel wind sensor for robotic chemical plume tracking，页码：933-938)。目前风趋向性方法多是在相对稳定的人工风场(如风洞或风扇)条件下进行了实验验证。而在实际风场中，风向的不稳定时常出现，这不可避免地对风趋向性方法的搜寻效果产生不同程度的影响。
另外，研究发现视觉也可为气体泄漏源搜寻提供重要线索。大量气体泄漏事故的调查结果表明，易发生泄漏的设备主要分为10类，即管道、挠性连接器、过滤器、阀门、压力容器或反应器、泵、压缩机、储罐、加压或冷冻气体容器及放散管(北京：化学工业出版社；著者：王凯全，邵辉；出版年月：2004年；著作题目：事故理论与分析技术)。采用图像分析技术可确定场景中易发生泄漏设备的位置，然后驱动移动机器人对这些可疑区域进行排查，也可能迅速探明泄漏源位置(发明专利：基于视觉注意机制的气体泄漏源搜寻方法；申请号：200810053931.2)。虽然，视觉传感器能提供易发生泄漏的设备的位置信息，但其判断的准确性和适用度会受视角、尺度、光照、设备形状复杂度等因素的影响。此外，该方法也只适用于“易发生泄漏设备”发生泄漏的情况。
以上分析表明，在复杂多变的实际环境中仅依据单一传感器信息规划搜寻路径，很难获得满意的搜寻效果。因此，只有充分利用不同类型传感器所提供信息的多样性和互补性，才能获得更准确、更可靠的判断。但截止目前国内外技术文献还未见视觉和嗅觉信息如何融合与协同计算的研究成果报道。
发明内容
本发明所要解决的技术问题是，提供一种能够解决基于单一传感器信息的搜寻方法存在的局限性，充分利用不同类型传感器信息的多样性和互补性的多种搜寻策略，对环境或搜寻条件的变化具有很强的应变能力，可显著提高气体泄漏源搜寻的效率和成功率的动态整合多种搜寻策略的气体泄漏源搜寻方法。
本发明所采用的技术方案是：一种动态整合多种搜寻策略的气体泄漏源搜寻方法，包括有如下三个阶段：
(1)采用人工神经网络方法估计不同搜寻条件下的各类搜寻方法适用度的阶段，即，确定影响各搜寻方法性能的主要因素，和训练用于估计各搜寻方法适用度的人工神经网络；
(2)烟羽发现阶段的整合方式，即，采用基于视觉注意机制的搜寻方法与随机搜寻方法相结合的整合策略；
(3)烟羽追踪阶段的整合方式，当机器人检测到气体浓度信息时，即发现烟羽后，采用化学趋向性方法和风趋向性方法以及视觉方法分别判定下一步的搜寻方向，并将当前时刻的搜寻条件，即影响搜寻方法性能的主要因素，输入至训练好的人工神经网络得到各方法的适用度，即驱动力大小，最后，采用驱动力矢量合成的方法规划机器人局部搜寻路径。
所述的确定影响各搜寻方法性能的主要因素是，包括：影响化学趋向性方法性能的主要因素有：气体传感器的探测精度、气体传感器响应和恢复时间、气体浓度大小、浓度波动大小；影响风趋向性方法性能的主要因素有：风速/风向传感器的探测精度、风速大小、风向变化大小；影响视觉搜寻方法性能的主要因素有：视频采集系统的图像分辨率、光照条件、尺度大小、设备的外形复杂程度。
所述的训练用于估计各搜寻方法适用度的人工神经网络包括：针对化学趋向性方法、风趋向性方法和视觉搜寻方法，构建三套采用经典的BP网络模型结构的人工神经网络，其中网络输入层为影响某一搜寻方法性能的主要因素，输出层为该方法归一化的适用度。
所述的采用视觉搜寻方法与随机搜寻方法相结合的整合策略包括如下步骤：
(a)采用任务驱动视觉注意机制模型对场景图像进行分析；
(b)判断场景中是否存在易发生泄漏的设备，如果存在一些可疑设备，依据各自的显著程度及几何位置关系，驱动移动机器人对这些可疑区域进行排查；
(c)若通过视觉未发现易发生泄漏的设备或者排查了易发生泄漏设备所在区域但没有发现烟羽，采用随机方法进行搜寻。
所述的随机方法包括有“Z”字形运动方式和螺旋运动方式。
所述的采用化学趋向性方法和风趋向性方法以及视觉方法分别判定下一步的搜寻方向，并确定各方法的驱动力大小是，驱动力为每一种搜寻方法驱使机器人沿某个方向搜寻的能力，驱动力方向由搜寻方法决定，驱动力大小是将当前时刻的搜寻条件输入至训练好的人工神经网络得到；最后，通过合成不同搜寻方法的驱动力决定机器人下一步的搜寻方向及搜寻步长。
本发明的动态整合多种搜寻策略的气体泄漏源搜寻方法，所具有的优点和有益效果如下：
1.适用性强。在复杂多变的实际搜寻环境中仅依据单一传感器信息规划搜寻路径，很难获得满意的搜寻效果，有时甚至可能完全失效。本发明所提方法充分利用了不同类型传感器信息的多样性和互补性，因此，对环境或搜寻条件的变化具有很强的应变能力，其适用性明显优于基于单一传感器信息的搜寻方法。
2.搜寻效率高。在气体烟羽发现阶段，本发明提出通过视觉预先锁定场景中一些易发生泄漏的设备，并首先对这些设备所在的区域进行搜寻，这在一定程度上可以有效克服随机搜寻方法的盲目性；在烟羽追踪过程中，本发明提出的“动态整合方法”优势更为突出，该方法依据当前搜寻条件的变化自适应地调节各搜寻方法的驱动力大小，有效克服了单一搜寻方法在搜寻过程中由于性能下降或失效对搜寻效率和成功率产生的影响。由此可以看出，本发明所提方法的搜寻效率明显高于基于单一传感器信息的搜寻方法。
附图说明
图1是动态整合多种搜寻策略的气体泄漏源搜寻方法流程图；
图2是气体泄漏源搜寻系统的装置；
图3是烟羽发现阶段的动态整合方式流程图；
图4是烟羽追踪阶段的多种搜寻策略动态整合示意图。
具体实施方式
下面结合实施例和附图对本发明的动态整合多种搜寻策略的气体泄漏源搜寻方法做出详细说明。
由于单一搜寻方法在应用中都存在一定的局限性，其应用效果主要由实际的搜寻条件决定，这些搜寻条件包括：泄漏气体的浓度大小及流动状态、空气的流动状况、易发生泄漏设备的外形复杂程度、搜寻环境中的光照条件等。因此，有必要“动态”整合多种较优的基于不同类型传感器信息的搜寻方法，才能完成复杂的气体泄漏源搜寻任务。所谓“动态整合”存在两个层面的意思：第一搜寻过程中多种搜寻方法的组合方式不固定(有时只采用一种搜寻方法，有时采用多种方法的组合)；第二不同时刻相同组合中的各搜寻方法的优先级不固定。动态整合的依据是不同搜寻条件下的各种搜寻方法的适用度，显然，决定动态整合方法是否有效的重要前提条件是准确地估计各类方法在不同搜寻条件下的适用度，本发明在大量实验基础上，采用人工神经网络方法估计各搜寻方法的适用度。
本发明的动态整合多种搜寻策略的气体泄漏源搜寻方法，是通过如图2所示的由移动机器人和传感器组两部分组成的气体泄漏源搜寻装置实现的。针对不同的实际应用环境，移动机器人可采用轮式、履带式或轮履复合式。传感器组包含视觉传感器1(如SonyEVI-D100)、嗅觉传感器2(如IBRID MX6)、激光测距传感器3(如德国施克LMS 200)或超声传感器4、风速/风向传感器5(如GILL WindSonic)等。视觉传感器1用于获取场景的图像信息(为了使采集的场景全貌信息更全面，摄像头安装高度距离地面1.3-1.5m，且底座装配(俯仰和水平)两自由度云台)；嗅觉传感器2可提供机器人当前位置的气体浓度信息；激光测距传感器3或超声传感器4用于对机器人可达区域进行探测；风速/风向传感器5提供机器人当前位置风速/风向信息。
本发明的动态整合多种搜寻策略的气体泄漏源搜寻方法，如图1所示，包括有如下三个阶段：
(1)采用人工神经网络方法估计不同搜寻条件下的各类搜寻方法适用度的阶段，即，确定影响各搜寻方法性能的主要因素，和训练用于估计各搜寻方法适用度的人工神经网络；
首先，确定影响各搜寻方法性能的主要因素。通过大量实验发现，所述的确定影响各搜寻方法性能的主要因素包括：影响化学趋向性方法性能的主要因素有：气体传感器的探测精度、气体传感器响应和恢复时间、气体浓度大小、浓度波动大小；影响风趋向性方法性能的主要因素有：风速/风向传感器的探测精度、风速大小、风向变化大小；影响视觉搜寻方法性能的主要因素有：视频采集系统的图像分辨率、光照条件、尺度大小、设备的外形复杂程度。
然后，训练用于估计各搜寻方法适用度的人工神经网络。由于影响某一类搜寻方法性能的主要因素并未影响其它搜寻方法，所述的训练用于估计各搜寻方法适用度的人工神经网络包括：针对化学趋向性方法、风趋向性方法和视觉搜寻方法。因此，本发明针对现有三种主要的搜寻方法，即化学趋向性方法、风趋向性方法和视觉搜寻方法，构建三套采用经典的BP网络模型结构的人工神经网络，用于估计这几类方法的适用度，其中网络输入层为影响某一搜寻方法性能的主要因素，输出层为该方法归一化的适用度。通过大量实验，测试在不同搜寻条件下各方法的适用度，构成人工神经网络的训练样本。
(2)烟羽发现阶段的整合方式，即，采用基于视觉注意机制的搜寻方法与随机搜寻方法相结合的整合策略；
通常情况下，在开始搜寻时移动机器人很难检测到气体浓度信息，在这种搜寻条件下化学趋向性方法和风趋向性方法都已失效，传统的解决方案是采用随机搜寻方法(如Zigzag运动或螺旋运动等)发现烟羽信息，但这些随机方法存在一定的盲目性，搜寻效率低。所以本发明采用如图3所示的采用视觉搜寻方法与随机搜寻方法相结合的整合策略，包括如下步骤：
(a)首先采用任务驱动视觉注意机制模型对场景图像进行分析；
(b)判断场景中是否存在易发生泄漏的设备，如果存在一些可疑设备，可依据各自的显著程度及几何位置关系，驱动移动机器人对这些可疑区域进行排查(所述的排查是采用发明专利：基于视觉注意机制的气体泄漏源搜寻方法；申请号：200810053931.2)，以期尽快地发现烟羽；
(c)若通过视觉未发现易发生泄漏的设备或者排查了易发生泄漏设备所在区域但没有发现烟羽，可采用随机方法进行搜寻。所述的随机方法包括有“Z”字形运动方式和螺旋运动方式。
(3)烟羽追踪阶段的整合方式，当机器人检测到气体浓度信息时，即发现烟羽后，采用化学趋向性方法和风趋向性方法以及视觉分别判定下一步的搜寻方向，并将当前时刻的搜寻条件(影响搜寻方法性能的主要因素)输入至训练好的人工神经网络得到各方法的适用度，即驱动力大小。最后，通过驱动力矢量合成的方法规划机器人下一步的搜寻路径。
所述的采用化学趋向性方法和风趋向性方法以及视觉方法分别判定下一步的搜寻方向并确定各方法的驱动力大小(适用度)是，当机器人检测到气体浓度信息时，即发现烟羽后，采用化学趋向性方法和风趋向性方法分别判定下一步的搜寻方向。此外，视觉也给出了下一步的搜寻方向，即机器人当前位置指向对烟羽发现起关键作用的易发生泄漏设备的方向。多数情况下这几种搜寻方法所确定的方向不是完全一致的，为了能将多个搜寻方法的判断结果综合考虑，本发明提出类似“矢量合成”的局部路径规划方法。即多种搜寻方法驱动力合成的局部路径规划方法，驱动力方向由参与整合的搜寻方法决定，驱动力大小是依据当前时刻的搜寻条件通过离线训练好的人工神经网络计算得出。该方法首先引入了“驱动力”的概念，即驱动力为每一种搜寻方法驱使机器人沿某个方向搜寻的能力，驱动力方向由搜寻方法决定，驱动力大小(搜寻方法的适用度)是将当前时刻的搜寻条件输入至训练好的人工神经网络得到；最后，通过合成不同搜寻方法的驱动力决定机器人下一步的搜寻方向及搜寻步长。
下面将通过图4所示的烟羽追踪阶段的多种搜寻策略动态整合一实施例的示意图，具体说明烟羽追踪阶段的动态整合方式。其中三个易发生泄露的设备标记为O1，O2，O3，假定设备O3对烟羽发现起关键作用；M1表示化学趋向性方法的驱动力，M2为风趋向性方法的驱动力，M3为视觉搜寻方法的驱动力，M为合成的驱动力。由图4可以看出，在烟羽追踪过程中，移动机器人局部路径的规划都是通过将三种不同的搜寻方法“动态”整合实现，其动态特性主要体现在不同位置(由于搜寻条件的变化)各搜寻方法的驱动力大小和方向均发生一定的变化。例如在A位置M3的方向为
，而在B位置M3的方向为
，这是由于M3的方向定义为机器人当前位置指向对烟羽发现起关键作用的易发生泄漏设备(本例为设备O3)的方向，因此，当机器人搜寻位置发生变化时，其搜寻方向也必然发生改变；由于气体浓度场和风场的剧烈湍动，从而导致位置A和位置B的M1和M2驱动力大小和方向均发生了显著变化。需要说明一点，在不同位置合成的驱动力M不仅决定了下一步的搜寻方向，同时其驱动力大小还可用于控制移动机器人的搜寻步长，通常情况下合成的驱动力越大搜寻步长越长。
Claims (6)
1.一种动态整合多种搜寻策略的气体泄漏源搜寻方法，其特征在于，包括有如下三个阶段：
(1)采用人工神经网络方法估计不同搜寻条件下的各类搜寻方法适用度的阶段，即，确定影响各搜寻方法性能的主要因素，和训练用于估计各搜寻方法适用度的人工神经网络；
(2)烟羽发现阶段的整合方式，即，采用基于视觉注意机制的搜寻方法与随机搜寻方法相结合的整合策略；
(3)烟羽追踪阶段的整合方式，当机器人检测到气体浓度信息时，即发现烟羽后，采用化学趋向性方法和风趋向性方法以及视觉方法分别判定下一步的搜寻方向，并将当前时刻的搜寻条件，即影响搜寻方法性能的主要因素，输入至训练好的人工神经网络得到各方法的适用度，即驱动力大小，最后，采用驱动力矢量合成的方法规划机器人局部搜寻路径。
2.根据权利要求1所述的动态整合多种搜寻策略的气体泄漏源搜寻方法，其特征在于，所述的确定影响各搜寻方法性能的主要因素是，包括：影响化学趋向性方法性能的主要因素有：气体传感器的探测精度、气体传感器响应和恢复时间、气体浓度大小、浓度波动大小；影响风趋向性方法性能的主要因素有：风速/风向传感器的探测精度、风速大小、风向变化大小；影响视觉搜寻方法性能的主要因素有：视频采集系统的图像分辨率、光照条件、尺度大小、设备的外形复杂程度。
3.根据权利要求1所述的动态整合多种搜寻策略的气体泄漏源搜寻方法，其特征在于，所述的训练用于估计各搜寻方法适用度的人工神经网络包括：针对化学趋向性方法、风趋向性方法和视觉搜寻方法，构建三套采用经典的BP网络模型结构的人工神经网络，其中网络输入层为影响某一搜寻方法性能的主要因素，输出层为该方法归一化的适用度。
4.根据权利要求1所述的动态整合多种搜寻策略的气体泄漏源搜寻方法，其特征在于，所述的采用视觉搜寻方法与随机搜寻方法相结合的整合策略包括如下步骤：
(a)采用任务驱动视觉注意机制模型对场景图像进行分析；
(b)判断场景中是否存在易发生泄漏的设备，如果存在一些可疑设备，依据各自的显著程度及几何位置关系，驱动移动机器人对这些可疑区域进行排查；
(c)若通过视觉未发现易发生泄漏的设备或者排查了易发生泄漏设备所在区域但没有发现烟羽，采用随机方法进行搜寻。
5.根据权利要求4所述的动态整合多种搜寻策略的气体泄漏源搜寻方法，其特征在于，所述的随机方法包括有“Z”字形运动方式和螺旋运动方式。
6.根据权利要求1所述的动态整合多种搜寻策略的气体泄漏源搜寻方法，其特征在于，所述的采用化学趋向性方法和风趋向性方法以及视觉方法分别判定下一步的搜寻方向，并确定各方法的驱动力大小是，驱动力为每一种搜寻方法驱使机器人沿某个方向搜寻的能力，驱动力方向由搜寻方法决定，驱动力大小是将当前时刻的搜寻条件输入至训练好的人工神经网络得到；最后，通过合成不同搜寻方法的驱动力决定机器人下一步的搜寻方向及搜寻步长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008101536364A CN101413804B (zh) | 2008-11-28 | 2008-11-28 | 动态整合多种搜寻策略的气体泄漏源搜寻方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008101536364A CN101413804B (zh) | 2008-11-28 | 2008-11-28 | 动态整合多种搜寻策略的气体泄漏源搜寻方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101413804A true CN101413804A (zh) | 2009-04-22 |
| CN101413804B CN101413804B (zh) | 2010-12-29 |
Family
ID=40594446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2008101536364A Expired - Fee Related CN101413804B (zh) | 2008-11-28 | 2008-11-28 | 动态整合多种搜寻策略的气体泄漏源搜寻方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101413804B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521653A (zh) * | 2011-11-23 | 2012-06-27 | 河海大学常州校区 | 井下多机器人联合搜救的生物刺激神经网络设备及其方法 |
| CN104142383A (zh) * | 2014-07-31 | 2014-11-12 | 天津大学 | 基于信息融合的分层渐进烟羽跟踪方法 |
| CN104898674A (zh) * | 2015-05-26 | 2015-09-09 | 中国安全生产科学研究院 | 危化品泄漏事故环境监测移动机器人及监测系统 |
| CN105022406A (zh) * | 2015-06-29 | 2015-11-04 | 徐州工程学院 | 基于改进细菌觅食算法的多机器人协作气味源定位方法 |
| CN105301203A (zh) * | 2015-11-27 | 2016-02-03 | 中国矿业大学 | 一种基于烟花算法的气味源定位方法 |
| CN106918367A (zh) * | 2017-04-26 | 2017-07-04 | 河北工业大学 | 一种机器人主动搜寻定位气味源的方法 |
| CN111024313A (zh) * | 2019-10-30 | 2020-04-17 | 北京众蓝科技有限公司 | 一种主动搜索定位化学气体泄漏点的方法和设备 |
| CN114295790A (zh) * | 2022-01-27 | 2022-04-08 | 北京爱克塞科技有限公司 | 一种高分辨差分自寻的智能仿生鼻系统及其工作方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100585332C (zh) * | 2007-12-24 | 2010-01-27 | 河北工业大学 | 室内环境下机器人自主搜寻气味源的方法 |
-
2008
- 2008-11-28 CN CN2008101536364A patent/CN101413804B/zh not_active Expired - Fee Related
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521653A (zh) * | 2011-11-23 | 2012-06-27 | 河海大学常州校区 | 井下多机器人联合搜救的生物刺激神经网络设备及其方法 |
| CN102521653B (zh) * | 2011-11-23 | 2015-01-21 | 河海大学常州校区 | 井下多机器人联合搜救的生物刺激神经网络设备及其方法 |
| CN104142383A (zh) * | 2014-07-31 | 2014-11-12 | 天津大学 | 基于信息融合的分层渐进烟羽跟踪方法 |
| CN104898674A (zh) * | 2015-05-26 | 2015-09-09 | 中国安全生产科学研究院 | 危化品泄漏事故环境监测移动机器人及监测系统 |
| CN105022406A (zh) * | 2015-06-29 | 2015-11-04 | 徐州工程学院 | 基于改进细菌觅食算法的多机器人协作气味源定位方法 |
| CN105022406B (zh) * | 2015-06-29 | 2017-10-27 | 徐州工程学院 | 基于改进细菌觅食算法的多机器人协作气味源定位方法 |
| CN105301203A (zh) * | 2015-11-27 | 2016-02-03 | 中国矿业大学 | 一种基于烟花算法的气味源定位方法 |
| CN106918367A (zh) * | 2017-04-26 | 2017-07-04 | 河北工业大学 | 一种机器人主动搜寻定位气味源的方法 |
| CN106918367B (zh) * | 2017-04-26 | 2022-11-04 | 河北工业大学 | 一种机器人主动搜寻定位气味源的方法 |
| CN111024313A (zh) * | 2019-10-30 | 2020-04-17 | 北京众蓝科技有限公司 | 一种主动搜索定位化学气体泄漏点的方法和设备 |
| CN114295790A (zh) * | 2022-01-27 | 2022-04-08 | 北京爱克塞科技有限公司 | 一种高分辨差分自寻的智能仿生鼻系统及其工作方法 |
| CN114295790B (zh) * | 2022-01-27 | 2023-09-26 | 北京爱克塞科技有限公司 | 一种高分辨差分自寻的智能仿生鼻系统及其工作方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101413804B (zh) | 2010-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101413804B (zh) | 动态整合多种搜寻策略的气体泄漏源搜寻方法 | |
| CN100582650C (zh) | 基于视觉注意机制的气体泄漏源搜寻方法 | |
| CN104142688B (zh) | 一种水下机器人平台 | |
| Zarzhitsky et al. | Swarms for chemical plume tracing | |
| CN109917818A (zh) | 基于地面机器人的协同搜索围堵方法 | |
| Niaz et al. | Autonomous driving test method based on digital twin: A survey | |
| CN108051002A (zh) | 基于惯性测量辅助视觉的运输车空间定位方法及系统 | |
| CN108416152A (zh) | 基于电子海图的无人艇蚁群能耗最优全局路径规划方法 | |
| CN105066917A (zh) | 一种小型管道地理信息系统测量装置及其测量方法 | |
| CN108279692A (zh) | 一种基于lstm-rnn的uuv动态规划方法 | |
| CN105717923A (zh) | 基于椭圆聚类-碰撞锥推演的无人艇海洋动态避障控制算法 | |
| CN1389710A (zh) | 多传感器多目标信息融合方法 | |
| CN101373491A (zh) | 船舶运动控制算法测试仿真系统 | |
| Song et al. | Design of in-pipe robot based on inertial positioning and visual detection | |
| CN106444827A (zh) | 旋翼式空地一体化两栖主动嗅觉机器人及其气味探测方法 | |
| Chen et al. | Tracking with UAV using tangent-plus-Lyapunov vector field guidance | |
| CN109461342A (zh) | 一种用于无人驾驶机动车的教学系统及其教学方法 | |
| CN104597216B (zh) | 用于室内和室外的可移动有害物质检测定位系统及方法 | |
| CN108804539A (zh) | 一种时间与空间双视角下的轨迹异常检测方法 | |
| CN107543900A (zh) | 基于三维移动传感器节点的气体泄漏监测系统与定位方法 | |
| Li et al. | Speed limitation of a mobile robot and methodology of tracing odor plume in airflow environments | |
| Ennong et al. | Design and experiment of a sea-air heterogeneous unmanned collaborative system for rapid inspection tasks at sea | |
| CN103983269A (zh) | 一种基于区实混合序列的异步航迹关联算法 | |
| CN108664025B (zh) | 一种海面溢油的随机溯源跟踪控制方法及其系统 | |
| Zhou et al. | Real-time Multiple Path Prediction and Planning for Autonomous Driving aided by FCN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101229 Termination date: 20111128 |