CN101868811B - 用于威胁传播估计的系统和方法 - Google Patents

Abstract

威胁传播估计器基于传感器数据(z)和基于模型的威胁传播估计的组合来生成对区域的威胁传播估计。威胁传播估计器从一个或多个传感器装置接收传感器数据(z)，并且采用成胁传播模型(M)来生成基于模型的威胁传播估计。威胁传播算法(20)用来组合传感器数据(z)和基于模型的成胁传播估计以生成威胁传播估计(Jc)。

Description

用于威胁传播估计的系统和方法

技术领域

本发明涉及建筑物中的威胁检测，并且更具体地涉及基于传感器数据和建模来估计威胁传播。

背景技术

在建筑物和其它区域中普遍采用传感器来检测诸如火灾、烟雾和化学试剂之类的威胁的存在。然而，典型的传感器仅提供关于威胁的存在的二进制输出(即检测到威胁或没有检测到威胁)。因而，第一响应者典型地具有关于威胁源或威胁经过建筑物的可能传播的很少信息。常常需要宝贵资源来定位和抵消威胁。另外，倘若没有关于威胁的可能传播的信息，很难优先考虑占用者的疏散并且选择正确的疏散路线。

发明内容

一种用于估计区域中的威胁传播的系统包括输入和威胁传播装置，该输入协作地被连接以从一个或多个传感器装置接收传感器数据。威胁传播估计器在工作中被连接到该输入以接收传感器数据。该威胁传播估计器执行算法，该算法基于所接收的传感器数据和生成基于模型的威胁传播估计的威胁传播模型来生成威胁传播估计。输出在工作中被连接到该威胁传播估计器以传送威胁传播估计。

在另一个方面，一种用于估计区域中的威胁传播的方法包括：从一个或多个传感器装置获取传感器数据；基于预测威胁经过区域的预期传播的威胁传播模型来计算基于模型的威胁传播估计；以及根据所获取的传感器数据和所述基于模型的威胁传播估计的组合来生成威胁传播估计。

在另一个方面，一种用于估计区域内的威胁传播的系统包括用于获取能够检测威胁的传感器数据的至少一个传感器装置。所述系统还包括：用于基于预测威胁经过区域的预期传播的威胁传播模型来计算基于模型的威胁传播估计的装置；以及用于根据所获取的传感器数据和所述基于模型的威胁传播估计的组合来生成威胁传播估计的装置。

在另一个方面，本文描述了一种估计区域内的威胁传播的分布式系统。该分布式系统包括第一威胁传播估计器，该第一威胁传播估计器在工作中被连接以接收与第一区域相关联的传感器数据并且用于执行算法以基于与第一区域相关联的所接收的传感器数据和生成对第一区域的基于模型的威胁传播估计的第一威胁传播模型来生成对该第一区域的第一威胁传播估计。该分布式系统还包括第二威胁传播估计器，该第二威胁传播估计器能够连接以接收与第二区域相关联的传感器数据并且用于执行算法以基于与第二区域相关联的所接收的传感器数据和生成对第二区域的基于模型的威胁传播估计的第二威胁传播模型来生成对该第二区域的第二威胁传播估计。

在另一个方面，本文描述了一种用机器可读计算机程序代码编码的计算机可读存储媒介，所述机器可读计算机程序代码用于生成对区域的威胁传播估计，该计算机可读存储媒介包括用于使控制器实施方法的指令。该计算机程序包括用于从一个或多个传感器装置获取输入的指令。该计算机程序还包括用于基于预测区域内的威胁移动的威胁传播模型来计算基于模型的威胁传播估计的指令。该计算机程序进一步包括用于根据所获取的传感器输入和所述基于模型的威胁传播估计的组合来生成对该区域的威胁传播估计的指令。

附图说明

图1是被划分成许多子区域的建筑物的楼层的示意图。

图2是图解基于传感器数据和预测性威胁传播模型来计算威胁传播估计的示例性实施例的流程图。

图3是图解预测性威胁传播模型的生成的示例性实施例的流程图。

图4是图解为生成威胁传播估计而采用的算法的示例性实施例的流程图。

图5是威胁传播系统的示例性实施例的框图。

图6A-6C是图解许多分布式威胁传播估计系统的框图。

具体实施方式

本文公开了一种用于基于传感器装置提供的数据和威胁传播模型来估计威胁(例如烟雾、火灾、化学试剂等等)经过区域的传播的系统和方法。威胁传播模型是建模威胁(诸如烟雾或化学试剂)将如何传播经过区域的实时工具。传感器数据和威胁传播模型被作为输入提供给威胁传播算法。威胁传播算法将传感器提供的传感器数据与威胁传播模型组合以提供描述威胁经过区域的传播的威胁传播估计。

术语‘威胁传播估计’通常用来描述这样的数据，该数据描述经过区域的威胁传播或移动。威胁传播估计可以包括例如关于整个区域中的颗粒分布的估计，包括对个别子区域的分布估计、与颗粒分布的估计相关联的概率、指示与威胁传播估计相关联的置信的可靠性数据、以及关于可能的威胁源和可能的将来威胁传播的估计。另外，术语‘区域’被用在整个描述中并且广义上指代整个区域以及构成较大区域的个别子区域或单元。因而，对区域做出的威胁传播估计可以包括对区域的每个个别子区域的威胁传播估计(例如，每个个别子区域的颗粒分布)。

图1图解了将在整个本描述中用来辅助描述威胁传播算法的示例，其中威胁传播估计是对建筑物的特定楼层做出的。关于本实施例所描述的概念可以应用于各种场景或位置(例如，户外、火车站、飞机场等等)。

图1图解了被划分成标为‘aa’-‘ce’的许多个别单元或子区域的建筑物10的单个楼层的布局。威胁检测传感器12a、12b、12c和12d位于建筑物10的各个子区域中，其中威胁检测传感器12a位于子区域‘af’中、威胁检测传感器12b位于子区域‘aq’中、威胁检测传感器12c位于子区域‘bb’中、而威胁检测传感器12d位于子区域‘bs’中。在这个实施例中，基于个别房间和过道的位置来划分与建筑物10相关联的楼层平面，尽管可以根据应用以各种方式划分区域(即，区域可以被划分成更小或更大的子区域或者不同的准则可以用来把区域划分成子区域)。威胁检测传感器12a-12d可以提供指示所检测威胁的存在的二进制数据，或者可以提供更详细的信息，包括例如所检测的威胁的类型或与所检测的威胁相关联的浓度水平。

图2是图解被提供到威胁传播算法20的输入以及由威胁传播算法20生成的输出的示例性实施例的高级框图。被提供到威胁传播算法20的输入包括传感器数据z(由一个或多个传感器装置提供)、传感器模型H、以及威胁传播模型M。传感器数据z可以由一个或多个传感器装置(例如，由图1所示的传感器装置12a-12d)提供。传感器数据z在这个实施例中被表示为向量，其中该向量表示由每个威胁检测器传感器提供的威胁检测数据。在示例性实施例中，威胁检测传感器测量并提供所检测威胁的浓度水平(例如，烟雾颗粒的浓度)作为传感器数据z的一部分。浓度数据进而可以用来计算位于威胁检测传感器所处于的特定子区域中的颗粒数量。

威胁传播模型M提供一种预测威胁将如何传播经过区域的模型(关于图3进行更详细的描述)。因而，给定初始条件集(即，在一个或多个子区域中的威胁检测)，传播模型M能够做出关于威胁将如何传播经过每个子区域的实时估计。例如，基于图1所示的实施例，如果烟雾颗粒的浓度被威胁检测传感器12a检测到，则威胁传播模型M生成关于子区域‘af’(即，威胁检测传感器12a的位置)中的烟雾将如何传播到周围子区域的估计。威胁传播模型M可以考虑许多因素，诸如相邻子区域之间的互连、通风系统的操作以及诸如建筑物内的楼梯井的增压(pressurization)之类的因素。

例如，在示例性实施例中，基于考虑描述区域布局的因素来建模特定区域的计算流体动力学(CFD)模拟来生成威胁传播模型M。基于计算流体动力学模拟，可以以不同的时间间隔绘制威胁(例如，烟雾颗粒)移动的图。然而，CFD模拟是复杂且耗时的过程(例如，完成单次模拟可能花费若干小时或者甚至若干天)，因此不能用来提供威胁传播的实时估计。然而，基于颗粒移动的模拟和跟踪，可以生成模型以反映颗粒从一个子区域到相邻子区域的预期移动。例如，在示例性实施例中，响应于CFD模拟而生成马尔可夫(Markov)矩阵以描述颗粒从一个子区域到相邻子区域的移动，如由以下方程所示：

$M_{\mathrm{ij}}=\frac{N_{i\→j}}{\underset{j=1}{\mathrm{\Σ}}{N}_{i\→j}}$ 方程1

如由方程1所描述的，M_ij是表示从每个子区域到相邻子区域的颗粒移动的矩阵，N_i→j表示在指定的时间间隔期间从子区域i移动到相邻子区域j的颗粒数量，并且∑N_i→j表示在子区域i和所有邻居子区域之间的移动之和。例如，关于图1所示的示例，N_i→j可以表示从子区域‘af’移动到相邻子区域‘ag’的颗粒，并且∑N_i→j将表示从子区域‘ag’到相邻子区域‘ad’、‘ae’、‘ag’、‘ai’和‘ah’的颗粒移动之和。以此方式，方程1中的分母确保马尔可夫矩阵M_ij(即，与颗粒从一个子区域移动到相邻子区域相关联的概率)中的每行之和为一。结果是提供与在选择的时间间隔中颗粒从一个子区域传播到另一个子区域相关联的概率的马尔可夫矩阵M_ij。马尔可夫矩阵M_ij因此可以用来基于威胁的初始检测而估计经过每个子区域的威胁传播。

基于马尔可夫矩阵M_ij，可以使用以下方程来预测在将来的时间间隔威胁(例如，颗粒)经过各个子区域的传播。

xⁿ⁺¹＝M_ijxⁿ+wⁿ    方程2

在这个方程中，xⁿ表示在时间n时的威胁分布(例如，在时间n时在每个子区域中的烟雾颗粒分布)，xⁿ⁺¹表示在时间n+1时的威胁分布，M_ij是上面描述的马尔可夫矩阵，并且wⁿ表示过程噪声。这个方程表示如何可以部分地基于诸如马尔可夫矩阵M_ij的威胁传播模型和先前的威胁传播估计xⁿ来估计将来时刻的威胁传播的示例性实施例。以此方式，可以实时或近实时地估计威胁的传播。

如关于图4更详细描述的，威胁传播模型(例如，马尔可夫模型)M被作为输入提供给威胁传播算法20。威胁传播算法还接收由一个或多个传感器装置提供的传感器数据z作为输入。基于所接收的传感器数据z和威胁传播模型M，威胁传播算法20生成威胁传播估计

在示例性实施例中，威胁传播估计

是表示遍及所有子区域(包括那些不包括威胁检测装置的子区域)的估计的威胁分布的向量。例如，在示例性实施例中，威胁传播估计将表示在特定时间n时遍及每个子区域(例如，如图1所示的单元‘aa’、‘ab’、‘ac’等等)的烟雾颗粒分布。应当注意，威胁传播估计是基于传感器数据z和威胁传播模型M两者。然而，如果传感器数据z不可用或者如果传感器数据z没有变化，则威胁传播估计

可以仅基于由威胁传播模型M生成的传播估计。以此方式，即使不利用传感器数据z(例如，如果传感器丢失或被威胁损坏)，威胁传播算法20也能够生成不远的将来的威胁传播估计

以及生成过去的威胁传播估计从而估计可能的威胁源。

图3是图解关于基于计算上更复杂的模拟或模型生成(由标为30的方框表示的)威胁传播模型M的示例性实施例的流程图。以此方式，威胁传播模型30能够实时地提供准确且可靠的威胁传播估计。相比而言，威胁传播模型30所基于的计算上复杂的模拟可能花费多个小时或多天来完成关于威胁将如何传播经过区域的模拟。

在图3所示的示例性实施例中，基于复杂模型32、实时模型34和区模型36来生成威胁传播模型30。在示例性实施例中，复杂模型32是模拟颗粒如何移动经过区域的计算流体动力学模型(CFD)。复杂模型32由对其运行模拟的区域的物理布局以及区域的属性(诸如子区域之间的压差或者区域内的通风流)定义。以此方式，复杂模型32准确地模拟在不同的时间间隔上颗粒(即，威胁)经过区域的传播。基于复杂模型32所运行的模拟的结果以及在不同的时间间隔上生成的所得颗粒分布，可以生成实时模型34以定义颗粒从一个区域移动到另一个区域的预期概率。例如，在示例性实施例中，实时模型34是定义颗粒从一个子区域移动到相邻子区域的概率的马尔可夫矩阵。根据应用，实时模型34(例如，马尔可夫矩阵)的生成可能对于特定应用而言足以并且可以用作威胁传播模型30而不用进一步的增强。如上面所描述的，马尔可夫矩阵提供关于从子区域到相邻子区域的预期颗粒传播的实时估计。在另一个示例性实施例中，实时模型34是检测概率(POD)模型，其生成关于从子区域到相邻子区域的预期颗粒传播的实时估计。在这个实施例中，马尔可夫矩阵和POD模型是彼此可替换的，尽管在另一个实施例中它们可以彼此结合地使用以提供从子区域到子区域的预期颗粒传播的实时估计。

另外，在示例性实施例中，区模型36可以与实时模型34结合用来生成威胁传播模型30。具体而言，采用区模型36来提供诸如连接建筑物内的房间的走廊之类的较小区域中的威胁传播估计。在这个实施例中，实时模型34提供较大区(例如大房间或中庭)的威胁传播估计，而区模型36提供较小区(例如小房间或过道)的威胁传播估计。例如，区模型36可以把较小空间建模为一维区，其概率与相邻区域之间的威胁传播相关联。除了实时模型34以外，提供区模型36以生成威胁传播模型30，所述威胁传播模型30然后可以用来生成威胁将如何传播经过区域的所有子区域(大的和小的)的估计。

在其它实施例中，复杂模型32可以用来生成实时模型34，该实时模型34建模大和小子区域中的威胁传播，消除了对区模型36的需要。如关于图4更详细描述的，威胁传播模型30与传感器数据结合用来生成对区域或子区域的威胁传播估计。

图4是图解用于基于输入来生成威胁传播估计的威胁传播算法20的示例性实施例的流程图，该输入包括传感器数据z(n)、传感器模型H和威胁传播模型M。在图4所示的实施例中，威胁传播算法20是用扩展卡尔曼滤波器(EKF)实施的。图4的左侧图解了为更新威胁传播估计

(即，定位为经过区域的威胁或颗粒分布的估计)而采用的算法步骤，而图4的右侧图解了为生成协方差估计P(n)而采用的算法。协方差估计P(n)是与威胁传播估计

相关联的不确定性的度量。

在这个实施例中，计算或更新威胁传播估计始于初始状态或当前威胁传播估计。例如，直到检测到威胁才将开始威胁传播估计。因此，在示例性实施例中，首先检测到威胁的传感器的位置用来初始化威胁传播算法(即，被提供为先前估计

)。在另一个实施例中，不需要初始化扩展卡尔曼滤波器，因为在扩展卡尔曼滤波器的第一迭代中，由首先检测到威胁的威胁检测传感器所提供的传感器数据z(n+1)将导致更新的威胁传播估计

其将在EKF算法的下一迭代中用来初始化该系统。威胁传播估计

的符号表示这是基于来自时间n的观测(即，模型输出和传感器更新两者的组合)的、时间n时的威胁传播估计。相比而言，符号

表示传播估计是针对时间n+1，但是基于在时间n时提供的传感器数据。在图4所示的示例性实施例中，在每个时间步长用新的传感器数据来更新威胁传播估计。然而，在其它实施例中可以在将来的许多时间步长生成威胁传播估计以便预测可能的威胁路径。

在步骤40，威胁传播模型M连同过程噪声w(n)一起被应用于先前威胁传播估计

以生成威胁传播预测(即基于模型的威胁传播估计)。也就是说，基于当前威胁传播估计

和威胁传播模型M来预测将来时间步长的预期威胁移动。例如，如关于图2所描述的，威胁传播模型M可以基于计算流体动力学模拟而被构造成马尔可夫矩阵。符号

表示这是基于在时间n时做出的观测的、对于时间n+1的基于模型的预测(即，该更新不是基于最近观测的事件)。在步骤42，传感器模型H被应用于占用预测

以生成测量预测测量预测

表示基于威胁传播预测

的预期传感器测量。例如，在关于图1所描述的示例性实施例中，如果威胁传播预测

预测威胁传播到子区域‘aq’中，则测量预测z_aq(n+1|n)将指示威胁检测传感器12b应当检测到威胁的存在。

在步骤44，测量预测

与实际传感器数据z(n+1)进行比较以生成由修正(innovation)变量u(n+1)表示的差信号。在示例性实施例中，修正u(n+1)指示(在步骤34计算的)预期传感器与实际观测的传感器输出z(n+1)之间的差别。例如，基于上面描述的示例，如果威胁传播预测

估计威胁已传播到子区域‘aq’，但是威胁检测传感器12b返回指示没有检测到威胁的值，则修正变量u_aq(n+1)将指示在预期的威胁传播与传感器所报告的威胁传播之间存在差别。修正变量用来纠正基于模型的威胁传播预测

与传感器数据z(n+1)之间的差别。

在步骤46，基于威胁传播预测

修正u(n+1)以及关于协方差计算更详细讨论的增益系数K(n+1)，更新威胁传播估计

如由这个方程所指示的，所更新的威胁传播估计是以基于模型的威胁传播预测和所观测的传感器数据z(n+1)两者为基础的。更新的威胁传播估计

变成下一迭代中的当前状态估计

关于图4所描述的示例图解了可以生成威胁传播估计的一种方法，其中在每个时间步长基于威胁传播模型M和更新的传感器数据z(n+1)来更新威胁传播估计在其它示例性实施例中，也可以在将来的多个时间间隔上生成威胁传播估计

以说明威胁经过区域的估计传播(例如，可以在连续的时间间隔生成威胁传播估计而不用等待更新的传感器数据)。以此方式，可以在将来的许多时间步长生成威胁传播估计

以给第一响应者和其它响应者提供关于预期威胁如何传播的信息。当更新的传感器数据z(n+1)(或者是指示与威胁相关联的浓度水平的数据，或者是威胁的其它传感器报告检测)变成可用时，对威胁传播估计进行更新。以此方式，当新的传感器数据变成可用时，改进或精细调整威胁传播估计

在图4所示的示例性实施例中，协方差估计P(n+1|n+1)连同威胁传播估计一起被生成为输出。威胁传播估计

指示关于威胁传播的最佳猜测或估计，而协方差P(n+1|n+1)指示与威胁传播估计

相关联的置信水平。如上面所讨论的，术语威胁传播估计广义上不仅指代关于经过区域的预期威胁传播的估计而且指代诸如协方差估计P(n+1|n+1)的可靠性数据，该协方差估计P(n+1|n+1)是与关于整个区域中的估计威胁移动的估计结合计算的。

计算或更新协方差估计始于当前协方差估计P(n|n)。在步骤48，基于威胁传播模型M、先前协方差估计P(n|n)、威胁传播模型的雅可比评价(evaluation)M^T和与估计相关联的噪声值Q来生成协方差预测P(n+1|n)(类似于在步骤40做出的威胁传播预测)。在步骤50，基于威胁传播模型M、协方差预测P(n+1|n)、威胁传播模型的雅可比评价M^T和传感器模型来计算剩余协方差S(n+1)。基于在步骤48和50做出的计算，在步骤52使用协方差预测P(n+1|n)、威胁传播模型的雅可比评价M^T和剩余协方差的逆表示S(n+1)^-1来计算最优卡尔曼增益K(n+1)。

增益系数K(n+1)基于传感器模型R和威胁传播模型M两者表示与传感器数据相关联的置信，以使得更新的威胁传播估计

反映哪个输入是最可靠的确定。也就是说，如果与传感器数据相关联的置信水平高(或者威胁传播模型中的置信低)，则如在步骤46应用于修正值u(n+1)的增益值K(n+1)导致威胁传播估计对传感器数据z(n+1)比对由威胁传播模型M生成的威胁传播预测

的结果提供更大的权重。同样，如果增益值K(n+1)指示与传感器数据z(n+1)相关联的低置信(或者基于模型的威胁传播估计

中的置信高)，则所更新的威胁传播估计

将更多地受威胁传播预测

的结果影响而更少地受相关传感器数据z(n+1)影响。例如，在其中传感器被烟雾或火灾损坏的情形下，则降低其输出的相关置信以使得威胁传播估计更多地受对状态估计

应用威胁传播模型M的结果影响。

在步骤54，基于增益值K(n+1)、威胁传播模型M和预测协方差P(n+1|n)来更新状态协方差P(n|n)以生成更新的协方差值P(n+1|n+1)。这个值反映了占用估计值

中的置信水平。

在图4所示的实施例中，威胁传播算法38提供传感器数据z(n+1)和基于模型的威胁传播估计的融合(fusing)或组合，所述基于模型的威胁传播估计

是基于威胁传播模型M生成的。具体而言，这种方法对传感器数据z(n+1)和威胁传播模型M两者应用扩展卡尔曼滤波器技术以生成把这些输入的可靠性考虑在内的威胁传播估计

该结果是高度可靠的威胁传播估计

以及提供与威胁传播相关联的可靠性的指示的协方差估计P(n+1|n+1)。在其它实施例中，可以采用除了扩展卡尔曼滤波器之外的算法来生成利用威胁检测传感器提供的传感器数据z(n+1)和威胁传播模型M两者的威胁传播估计。在其它实施例中，除了威胁传播估计和可靠性数据(例如协方差)之外的数据可以被生成为威胁传播估计的一部分。

另外，在示例性实施例中实时地生成由威胁传播算法38提供的威胁传播估计

以允许威胁传播估计

用于实时的应用(例如，作为第一响应者的输入)。这是所采用的威胁传播模型M(例如，关于图3所描述的马尔可夫模型)的类型以及用于组合传感器数据z(n+1)和威胁传播模型M的算法(例如关于图4所描述的扩展卡尔曼滤波器)两者的函数。在示例性实施例中，威胁传播估计可以用于法庭辩论(forensic)或者在威胁如何传播经过区域的事实估计后使用。在又一个示例性实施例中，威胁传播估计可以用来预测不久的将来的威胁传播估计(即，估计从将来的几秒到几分钟的各种间隔的威胁的位置)。通过预测将来威胁的传播，第一响应者或流出支持系统能够计划占用者的疏散路线。另外，在示例性实施例中，威胁传播估计可以被提供到占用者估计系统以基于占用者对威胁传播的可能响应来生成占用者估计(即，关于区域中的占用者的可能位置的估计)。

图5图解用于提供对区域(如图1所示的建筑物)的威胁传播估计的集中系统60的示例性实施例。集中系统60包括计算机或控制器62、计算机可读媒介64、多个传感器装置66a、66b、...66N以及显示或控制器。控制器62可连接以从多个传感器装置66a、66b、...66N接收传感器数据并且给装置68提供威胁传播估计输出。传感器装置66a-66N被遍及特定区域分布，并且可以包括各种不同类型的传感器，包括传统的烟雾检测器、浓度水平烟雾检测器、视频检测器、化学或毒素检测器、以及其他用于检测威胁存在的熟知传感器。

传感器数据被传送到控制器54。根据所采用的传感器的类型以及传感器是否包括任何处理所捕获数据的能力，处理器64可以提供对所提供的传感器数据的初始处理。例如，由视频照相机感测装置捕获的视频数据可能要求某种视频数据分析预处理以确定视频数据是否示出诸如火灾或烟雾的威胁。另外，由处理器64执行的这种处理可以包括把指示所检测威胁的类型以及所检测威胁的位置的传感器数据存储为数组或向量以使其能够被作为输入供应到威胁传播算法(例如，扩展卡尔曼滤波器)。该数组或向量在应用于威胁传播算法之前可以被存储在存储器62中。

在图5所示的实施例中，控制器62执行生成威胁传播估计的步骤或过程。例如，在示例性实施例中，这可以包括执行关于图4所描述的功能和操作。因而，所公开的本发明可以以计算机或控制器实施的过程和用于实行那些过程的设备的形式来体现。本发明还可以以包含指令的计算机程序代码的形式来体现，所述指令被体现在计算机可读媒介64(诸如软盘、CD-ROM、硬盘驱动器或者任何其他计算机可读存储媒介)中，其中当计算机程序代码被加载到计算机54上并由计算机54执行时，计算机变成用于实行本发明的设备。本发明还可以以例如像数据信号的计算机代码的形式来体现，所述计算机代码存储在存储媒介64中、加载到控制器62和/或由控制器62执行，或通过某种传输媒介(诸如通过电布线或电缆、经过光纤或者经由电磁辐射)进行传输，其中当计算机程序代码被加载到控制器62中并由控制器62执行时，控制器变成用于实行本发明的设备。当被实施在通用微处理器上时，计算机程序代码段配置微处理器以创建特定逻辑电路。

例如，在示例性实施例中，计算机可读存储媒介64可以存储体现威胁传播模型M、传感器模型H和威胁传播算法(例如，扩展卡尔曼滤波器)的程序代码或指令。计算机代码被传送到控制器62，该控制器62执行程序代码以实施关于本发明所描述的过程和功能(例如，执行关于图3所描述的那些功能)。如图5所示，基于从多个传感器66a-66N的一个或多个中接收的传感器数据、威胁传播模型和传感器模型，处理器64执行威胁传播算法以生成威胁传播估计。所得到的威胁传播估计被传输到一个或多个装置68。在示例性实施例中，装置68是由第一响应者用来接收关于经过区域的估计威胁传播的信息以及关于可能威胁源的估计的手持式装置。在其它示例性实施例中，装置68可以是动态生成疏散路线的流出支持系统的一部分，所述疏散路线然后被传送到建筑物内的占用者。给流出支持系统提供威胁传播数据允许流出支持系统设计和优化占用者的疏散路线。可以经由任何数量的通信网络(包括电信网络、无线网络以及其它熟知的通信系统)来提供威胁传播数据。

与关于图5所描述的集中威胁传播系统相比，图6A-6C图解了用于生成威胁传播估计的许多分布式威胁传播系统70a、70b和70c。为了简单起见，图6A-6C所示的示例仅包括四个子区域(标为子区域101、102、103和104)，尽管这些示例中所图解的概念可以被扩展到具有任何数量的子区域的区或建筑物。

在图6A所示的实施例中，分布式威胁传播系统70a包括位于子区域101和103的传感器装置，其中每个传感器装置(或相关硬件)包括处理由相关传感器装置提供的数据以及基于处理的传感器数据和威胁传播模型应用算法(例如，扩展卡尔曼滤波器)以生成威胁传播估计的能力。为了本描述，分布式威胁传播系统70a包括传感器装置和用于生成威胁传播估计的部件两者，所述部件可以包括用于对威胁传播模型和传感器数据应用算法的硬件和软件的组合，所述分布式威胁传播系统70a将通常被称为威胁传播估计器(TPE)。在图6A所示的实施例中，在子区域101处观测的传感器数据被提供到威胁传播估计器TPE1，该TPE1分别生成与子区域101和102对应的威胁传播估计

和

在子区域103处观测的传感器数据被提供到威胁传播估计器TPE2，该TPE2分别生成与子区域103和104对应的威胁传播估计和

在图6A所示的实施例中，威胁传播估计器TPE1和威胁传播估计器TPE2不共享关于相应子区域的威胁传播估计的信息。

在图6B所示的分布式系统70B中，传感器装置被再次定位在子区域101和103处。然而在这个实施例中，由威胁传播估计器TPE3生成的威胁传播估计

被作为输入提供到威胁传播估计器TPE4。分布式系统70b的好处是威胁传播估计器TPE4使威胁传播估计

和

部分地基于关于为子区域102生成的威胁传播估计的知识的能力。例如，如果威胁传播估计

指示威胁已经传播到子区域102，则威胁传播估计器TPE4可以预测在下一时间步长中位于子区域102的威胁将从子区域102传播到子区域103，从而通过并入来自相邻或附近子区域的数据而改善预测的威胁传播估计。

在图6C所示的分布式系统70c中，传感器装置被再次定位在子区域101和103处。然而在这个实施例中，由威胁传播估计器TPE5做出的威胁传播估计

被作为输入提供到威胁传播估计器TPE6，并且来自子区域103的传感器数据和威胁传播估计

两者被作为输入提供到威胁传播估计器TPE5。这个实施例图解了其中威胁传播估计和传感器数据两者被相关威胁传播估计器共享的分布式应用。这种系统的好处是威胁传播估计器TPE5和TPE6使威胁传播估计基于可用的附加数据的能力，从而改善分布式系统70c的总体可靠性和性能。

威胁传播估计器之间的威胁传播估计的通信可以经由典型的通信网络(包括电信网络、局域网(LAN)连接)或者经由无线网络来提供。另外，在一些实施例中，通过仅共享相邻子区域之间的威胁传播估计以使得仅那些监视相邻子区域的威胁传播估计器共享威胁传播估计，最小化通信成本。采用分布式系统来提供威胁传播估计的好处是分布式系统尽管缺乏一个或多个个别威胁传播估计器也可运行的能力。

尽管已参照优选实施例描述了本发明，但是本领域的技术人员会认识到可以在不偏离发明的精神和范围的情况下进行形式和细节上的变化。例如，尽管包括处理器和存储器的计算机系统被描述用于实施威胁传播算法，但是可以采用硬件和软件的任何数量的合适组合来执行由威胁传播算法采用的数学函数。另外，计算机系统可以或可以不用来提供对所接收的传感器数据的数据处理。在一些实施例中，传感器数据可以在被作为输入提供到负责执行威胁传播算法的计算机系统之前进行预处理。在其它实施例中，计算机系统可以包括合适的数据处理技术以内部地处理所提供的传感器数据。

另外，许多实施例和示例涉及用于建筑物的威胁传播系统的使用，但是该系统可应用于其它可以发现威胁传播估计的有益使用的领域或应用。而且，在整个说明书和权利要求书中，术语‘一’的使用不应当被解释为意指“仅一个”，而是应当被广义地解释为意指“一个或多个”。在整个公开中使用的顺序编号步骤的使用不意味着这些步骤必须被执行的次序。术语“或”的使用应当被解释为包括性的，除非另外指出。

Claims (23)

1.一种用于生成对区域的威胁传播估计的系统，该系统包括：

输入，在工作中被连接以从一个或多个传感器装置接收传感器数据；

威胁传播估计器，在工作中被连接到该输入，其中该威胁传播估计器执行算法以基于所接收的传感器数据和由威胁传播模型生成的基于模型的威胁传播估计来生成对区域的威胁传播估计，其中威胁传播模型能够做出关于威胁将如何传播经过所述区域的实时估计；以及

输出，在工作中被连接到该威胁传播估计器以传送由该威胁传播估计器生成的威胁传播估计；

其中威胁包括烟雾、火灾和化学试剂。

2.权利要求1的系统，其中威胁传播模型至少部分地基于先前威胁传播估计来生成基于模型的威胁传播估计。

3.权利要求1的系统，其中由威胁传播估计器执行的算法基于所接收的传感器数据、威胁传播模型和传感器模型来计算加权参数并且基于所计算的加权参数来生成威胁传播估计。

4.权利要求1的系统，其中威胁传播估计器实时地生成威胁传播估计。

5.权利要求1的系统，其中威胁传播估计是区域内的颗粒分布的估计、与颗粒分布的估计相关联的概率、可靠性估计、关于威胁源的估计、关于将来时间点估计的威胁传播的估计、或者其组合。

6.权利要求5的系统，其中可靠性估计包括关于区域所计算的协方差值或标准差值。

7.权利要求1的系统，其中威胁传播模型是数学模型、计算机模拟、或者其组合。

8.权利要求7的系统，其中威胁传播模型是响应于计算流体动力学模型、区模型或其组合而生成的。

9.权利要求1的系统，其中威胁传播估计器所采用的算法是生成威胁传播估计的扩展卡尔曼滤波器，所述威胁传播估计包括与传播到区域的威胁相关联的概率以及与每个概率相关联的协方差。

10.权利要求1的系统，其中该系统是集中系统，其中威胁传播估计器在工作中被连接以从遍及区域定位的多个传感器接收数据并且作为响应而生成威胁传播估计。

11.权利要求1的系统，其中该系统是包括多个威胁传播估计器的分布式系统，其中该多个威胁传播估计器的每个接收与该区域的近端位置相关联的传感器数据并且执行算法以基于所接收的传感器数据和与近端位置相关联的威胁传播模型来生成对近端位置的威胁传播估计。

12.权利要求11的系统，其中该多个威胁传播估计器之一连接到相邻威胁传播估计器以接收由相邻威胁传播估计器关于远端位置所生成的威胁传播估计，其中威胁传播估计器在生成对近端位置的威胁传播估计中并入关于远端位置的威胁传播估计。

13.权利要求11的系统，其中该多个威胁传播估计器之一能够连接以从近端位置和远端位置两者接收传感器数据，其中威胁传播估计器在生成对近端位置的威胁传播估计中并入关于远端位置接收的传感器数据。

14.一种用于估计区域中的威胁传播的方法，该方法包括：

从一个或多个传感器装置获取传感器数据；

基于预测区域内的威胁移动的威胁传播模型来计算基于模型的威胁传播估计；

基于所获取的传感器数据和所述基于模型的威胁传播估计的组合来生成对该区域的威胁传播估计；

其中威胁传播模型能够做出关于威胁将如何传播经过所述区域的实时估计；

其中威胁包括烟雾、火灾和化学试剂。

15.权利要求14的方法，其中计算基于模型的威胁传播估计包括对先前威胁传播估计应用威胁传播模型。

16.权利要求14的方法，其中生成威胁传播估计还包括：

计算与所获取的传感器数据和基于模型的威胁传播估计相关联的加权参数；以及

另外基于所计算的加权参数来生成威胁传播估计。

17.权利要求14的方法，其中威胁传播模型实时地生成基于模型的威胁传播估计。

18.权利要求16的方法，其中生成威胁传播估计还包括：

根据基于模型的威胁传播估计和传感器模型来计算测量预测；

基于该测量预测与所获取的传感器数据的比较，计算修正估计；以及

对修正估计应用加权参数并且与该测量预测组合以生成占用估计。

19.一种威胁估计系统，包括：

用于获取与威胁检测有关的传感器数据的装置；

用于基于预测区域内的威胁传播的威胁传播模型来计算基于模型的威胁传播估计的装置；

用于基于所获取的传感器数据和所述基于模型的威胁传播估计的组合来生成威胁传播估计的装置；

其中威胁传播模型能够做出关于威胁将如何传播经过所述区域的实时估计；

其中威胁包括烟雾、火灾和化学试剂。

20.一种估计区域内的威胁传播的分布式系统，该系统包括：

第一威胁传播估计器，能够连接以接收与第一位置相关联的传感器数据并且用于执行算法以基于与第一位置相关联的所接收的传感器数据和由第一威胁传播模型为第一位置生成的基于模型的威胁传播估计来生成对该第一位置的第一威胁传播估计，其中第一威胁传播模型能够做出关于威胁将如何传播经过所述第一位置的实时估计；以及

第二威胁传播估计器，能够连接以接收与第二位置相关联的传感器数据并且用于执行算法以基于与第二位置相关联的所接收的传感器数据和由第二威胁传播模型为第二位置生成的基于模型的威胁传播估计来生成对该第二位置的第二威胁传播估计，其中第二威胁传播模型能够做出关于威胁将如何传播经过所述第二位置的实时估计；

其中威胁包括烟雾、火灾和化学试剂。

21.权利要求20的分布式系统，还包括：

通信网络，连接第一威胁传播估计器到第二威胁传播估计器，其中第一威胁传播估计器把第一威胁传播估计传送到第二威胁传播估计器。

22.权利要求21的分布式系统，其中第二威胁传播估计器把第二威胁传播估计传送到第一威胁传播估计器，其中第一威胁传播估计器另外基于第二威胁传播估计来生成第一威胁传播估计。

23.权利要求20的分布式系统，其中第一威胁传播估计器能够连接以接收与第二位置相关联的传感器数据，其中第一威胁传播估计器另外基于与第二位置相关联的传感器数据来生成第一威胁传播估计。

Images