CN102176119A - 一种基于信息融合机制的多机器人危险气味源定位方法 - Google Patents

一种基于信息融合机制的多机器人危险气味源定位方法 Download PDF

Info

Publication number
CN102176119A
CN102176119A CN 201110040376 CN201110040376A CN102176119A CN 102176119 A CN102176119 A CN 102176119A CN 201110040376 CN201110040376 CN 201110040376 CN 201110040376 A CN201110040376 A CN 201110040376A CN 102176119 A CN102176119 A CN 102176119A
Authority
CN
China
Prior art keywords
information
robot
mean value
odor source
personal
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
Application number
CN 201110040376
Other languages
English (en)
Other versions
CN102176119B (zh
Inventor
吕强
谢小高
罗平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou Zhonggui Motor Technology Co ltd
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN 201110040376 priority Critical patent/CN102176119B/zh
Publication of CN102176119A publication Critical patent/CN102176119A/zh
Application granted granted Critical
Publication of CN102176119B publication Critical patent/CN102176119B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feedback Control In General (AREA)
  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种基于信息融合机制的多机器人危险气味源定位方法。现有的方法对信息利用不完全，并且没有考虑通信约束，往往会使多机器人系统局部收敛。本发明方法首先建立信息融合矩阵和气味源位置均值分布的概率模型，并抽取均值信息存放到信息融合矩阵中；然后依据均值信息建立气味源位置的概率分布，抽取位置信息。再次基于气味源可能的位置和当前位置，采用螺旋轨迹作为机器人的运动轨迹，控制机器人移动到目标位置，并不断更新群体机器人所获得最大浓度对应的位置信息和单个机器人获得的最大浓度所对应的位置信息，直到到达指定位置。本发明可以使多机器人系统快速定位危险气味源，并且在有通信约束的情况下有效地提供危险气味源的可能位置。

Description

一种基于信息融合机制的多机器人危险气味源定位方法
技术领域
本发明属于自动化技术领域，涉及一种基于信息融合机制的多机器人危险气味源定位方法。
背景技术
危险气味源定位对人类安全有着非常重要的意义，如海洋、河流环境监测，污染物的源头追踪和定位，以及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，形成羽烟。在由高Reynolds数刻画的环境里，羽烟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，多机器人系统合作定位危险气味源的主要控制方法是群智能技术，但是，这种技术在有通信约束的情况下，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，该方法对信息利用不完全，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控制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，本发明弥补了现有技术的不足。
发明内容
本发明的目标是针对现有技术的不足之处，提出了一种基于信息融合机制的多机器人危险气味源定位方法，该方法是以信息融合机制为基础，设计一种有效的多机器人系统协调控制方法,以能够快速并准确地定位危险气味源。该方法弥补了传统合作搜索方式的不足，在有通信约束的情况下，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。
本发明方法是：首先，建立信息融合矩阵，根据群体获得的最大浓度所对应的位置信息、机器人获得的最大浓度所对应的位置信息和机器人的当前位置信息，建立气味源位置均值分布的概率模型，并抽取均值信息存放到信息融合矩阵中；然后，依据信息融合矩阵中的均值信息建立气味源位置的概率分布，抽取位置信息；进一步，根据阈值和所抽取的位置信息，产生气味源可能的位置。再次，基于所产生的气味源可能的位置，从当前位置到气味源可能位置之间设计螺旋轨迹，采用一致性算法作为控制律，控制机器人移动到目标位置，并在移动过程中，不断更新群体机器人所获得最大浓度对应的位置信息和机器人获得的最大浓度所对应的位置信息，直到到达指定位置，然后进行判断，如果算法终止条件满足，则方法停止运行，并提供气味源位置，否则重新开始执行。
本发明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，确立了一种协调多机器人系统的控制方法，利用该方法，在有通信约束的情况下，提高危险气味源定位的精度。
本发明方法在第                                                
Figure 420717DEST_PATH_IMAGE002
(
Figure 2011100403761100002DEST_PATH_IMAGE003
)个机器人上运行，其中，具体步骤如下：
(1)建立信息融合矩阵，根据群体获得的最大浓度所对应的位置信息、机器人获得的最大浓度所对应的位置信息和机器人的当前位置信息，建立气味源位置均值分布的概率模型，并抽取均值信息存放到信息融合矩阵中，具体方法是：
a.建立信息融合矩阵：
Figure 193763DEST_PATH_IMAGE004
其中,表示第
Figure 969565DEST_PATH_IMAGE002
个机器人的信息融合矩阵；
Figure 151147DEST_PATH_IMAGE006
和
Figure 2011100403761100002DEST_PATH_IMAGE007
是两个均值矢量，用来存放第
Figure 294815DEST_PATH_IMAGE002
个机器人所获得的均值信息，他们分别具有元素
Figure 194638DEST_PATH_IMAGE008
和。
b.抽取均值信息，并存放到信息融合矩阵中：
Figure 947699DEST_PATH_IMAGE010
其中，如果第
Figure 669274DEST_PATH_IMAGE002
个机器人和第个机器人具有通信联系,则
Figure 2011100403761100002DEST_PATH_IMAGE013
,,,
Figure 599818DEST_PATH_IMAGE016
 (
Figure 2011100403761100002DEST_PATH_IMAGE017
是机器人的个数),否则
Figure 340282DEST_PATH_IMAGE018
。和是时刻第
Figure 933124DEST_PATH_IMAGE002
个机器人信息融合矩阵中的均值矢量
Figure 841037DEST_PATH_IMAGE022
和
Figure 2011100403761100002DEST_PATH_IMAGE023
的第
Figure 477817DEST_PATH_IMAGE024
（
Figure 2011100403761100002DEST_PATH_IMAGE025
）个分量；
Figure 508090DEST_PATH_IMAGE026
和
Figure 2011100403761100002DEST_PATH_IMAGE027
是
Figure 666539DEST_PATH_IMAGE028
时刻第
Figure 938995DEST_PATH_IMAGE012
个机器人信息融合矩阵中的均值矢量
Figure 2011100403761100002DEST_PATH_IMAGE029
和
Figure 132079DEST_PATH_IMAGE030
的第
Figure 333253DEST_PATH_IMAGE024
个分量；
Figure 2011100403761100002DEST_PATH_IMAGE031
是第
Figure 713419DEST_PATH_IMAGE002
个机器人在
Figure 228714DEST_PATH_IMAGE028
时刻满足均值为1方差为1的正态分布的一个随机数；和
Figure 2011100403761100002DEST_PATH_IMAGE033
是调节参数，并且满足
Figure 149844DEST_PATH_IMAGE034
；
Figure 2011100403761100002DEST_PATH_IMAGE035
是第
Figure 17306DEST_PATH_IMAGE002
个机器人在时刻的位置；
Figure 972810DEST_PATH_IMAGE036
是
Figure 14322DEST_PATH_IMAGE035
的第个分量；
Figure 2011100403761100002DEST_PATH_IMAGE037
是在
Figure 226177DEST_PATH_IMAGE028
时刻第
Figure 248360DEST_PATH_IMAGE002
个机器人的通信范围内的所有机器人所检测到的最大浓度信息所对应的位置；是
Figure 741975DEST_PATH_IMAGE037
的第
Figure 137184DEST_PATH_IMAGE024
个分量；
Figure 2011100403761100002DEST_PATH_IMAGE039
是在
Figure 515338DEST_PATH_IMAGE028
时刻第
Figure 400118DEST_PATH_IMAGE002
个机器人在所有历史检测到的浓度信息中最大浓度信息所对应的位置；
Figure 667151DEST_PATH_IMAGE040
是
Figure 928368DEST_PATH_IMAGE039
的第
Figure 597247DEST_PATH_IMAGE024
个分量；和这两个位置信息能够根据下式被分别计算：
Figure 2011100403761100002DEST_PATH_IMAGE041
其中，是一个数学符号，用来获得函数
Figure 556402DEST_PATH_IMAGE044
的自变量
Figure 2011100403761100002DEST_PATH_IMAGE045
；
Figure 782984DEST_PATH_IMAGE046
是函数映射，对于该问题是指与位置相对应的浓度值；
Figure 2011100403761100002DEST_PATH_IMAGE047
和
Figure 86927DEST_PATH_IMAGE048
分别是第
Figure 191411DEST_PATH_IMAGE002
个机器人和第
Figure 569303DEST_PATH_IMAGE012
个机器人在
Figure 232365DEST_PATH_IMAGE050
（
Figure 2011100403761100002DEST_PATH_IMAGE051
）时刻的位置,
Figure 758025DEST_PATH_IMAGE050
是连续时间的表示,主要说明在两个离散时刻中间,机器人连续移动并获得浓度信息和位置信息。
(2)依据信息融合矩阵中的均值信息建立气味源位置的概率分布，抽取位置信息。具体方法是：
Figure 102418DEST_PATH_IMAGE052
Figure 2011100403761100002DEST_PATH_IMAGE053
其中, 
Figure 397133DEST_PATH_IMAGE054
表示正态分布具有均值
Figure 729632DEST_PATH_IMAGE019
和方差
Figure 2011100403761100002DEST_PATH_IMAGE055
；
Figure 804905DEST_PATH_IMAGE056
是一个满足正态分布
Figure 749727DEST_PATH_IMAGE054
的随机变量；
Figure 2011100403761100002DEST_PATH_IMAGE057
表示一个正态分布具有均值
Figure 665992DEST_PATH_IMAGE020
和方差
Figure 608541DEST_PATH_IMAGE055
；
Figure 46475DEST_PATH_IMAGE058
是一个满足正态分布的一个随机变量。
Figure 1979DEST_PATH_IMAGE055
可以根据下式获得：
Figure 2011100403761100002DEST_PATH_IMAGE059
其中，
Figure 177745DEST_PATH_IMAGE060
和
Figure 2011100403761100002DEST_PATH_IMAGE061
表示方差
Figure 165293DEST_PATH_IMAGE055
的最小值和最大值；表示最大的搜索时间；
Figure 2011100403761100002DEST_PATH_IMAGE063
表示已经搜索的时间。
(3)根据阈值和所抽取的位置信息，产生气味源可能的位置
Figure 339846DEST_PATH_IMAGE064
，并作为机器人在下一时刻需要移动到的位置，具体是：
设定一个阈值
Figure 2011100403761100002DEST_PATH_IMAGE065
（
Figure 420934DEST_PATH_IMAGE066
），然后在[0,1]内产生一个均匀分布的随机数，如果该随机数小于给定的阈值
Figure 895778DEST_PATH_IMAGE065
，则：
Figure 2011100403761100002DEST_PATH_IMAGE067
否则：
Figure 487559DEST_PATH_IMAGE068
其中，
Figure 2011100403761100002DEST_PATH_IMAGE069
表示在搜索区域内的一个随机位置。
(4)根据所获得的位置
Figure 731458DEST_PATH_IMAGE064
(
Figure 186710DEST_PATH_IMAGE025
)和当前机器人的位置
Figure 883271DEST_PATH_IMAGE036
,规划机器人移动轨迹, 移动轨迹采用螺旋模型,具体公式如下:
Figure 449381DEST_PATH_IMAGE070
其中,
Figure 2011100403761100002DEST_PATH_IMAGE071
是第
Figure 813367DEST_PATH_IMAGE002
个机器人在(
Figure 2011100403761100002DEST_PATH_IMAGE073
)时刻的位置；
Figure 184229DEST_PATH_IMAGE074
和是两个调节参数;
Figure 616347DEST_PATH_IMAGE076
从最大值
Figure 2011100403761100002DEST_PATH_IMAGE077
到最小值0进行变化；,
Figure 2011100403761100002DEST_PATH_IMAGE079
是当前位置
Figure 195675DEST_PATH_IMAGE035
和所获得的位置
Figure 866828DEST_PATH_IMAGE080
之间的距离,
Figure 2011100403761100002DEST_PATH_IMAGE081
是对数函数；
Figure 899375DEST_PATH_IMAGE082
，并且
Figure 470908DEST_PATH_IMAGE084
Figure 2011100403761100002DEST_PATH_IMAGE085
Figure 501181DEST_PATH_IMAGE086
Figure 2011100403761100002DEST_PATH_IMAGE087
Figure 721947DEST_PATH_IMAGE088
其中
Figure 2011100403761100002DEST_PATH_IMAGE089
Figure 997333DEST_PATH_IMAGE090
其中，
Figure 2011100403761100002DEST_PATH_IMAGE091
是反正切函数；
Figure 987154DEST_PATH_IMAGE092
是指数函数。
(5)采用一致性算法作为控制律，沿着螺旋轨迹
Figure 2011100403761100002DEST_PATH_IMAGE093
,控制机器人从当前位置
Figure 188329DEST_PATH_IMAGE036
移动到新位置
Figure 771757DEST_PATH_IMAGE064
。
(6)判断方法是否结束。如果某一个机器人检测到的气味浓度达到预先设定值，或通过视觉传感器判断出气味源，然后通过无线网络通知第
Figure 871341DEST_PATH_IMAGE002
个机器人，或搜索时间超过事先规定的时间，则该方法停止执行并提供气味源位置的估计值
Figure 591036DEST_PATH_IMAGE037
；否则从第(1)步重新开始执行。
本发明提出的一种基于信息融合机制的多机器人系统定位危险气味源的方法，该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。
本发明提出的协调控制方法，能够有效地估计气味源位置的概率分布，更好地让安全人员了解目前危险气味扩散的情况，进一步弥补传统方法的不足。此外，在任何时刻，在有严重通信约束的情况下都可以知道危险气味源的可能位置。
具体实施方式
以工业气体输送管道泄漏为例：
这里以工业气体输送管道泄漏为例子加以描述。在可能气体泄漏点建立2维局部坐标系，并为机器人安装工业有毒气体检测装置和里程计装置。并设定机器人的最大线速度和角速度。对于第
Figure 900794DEST_PATH_IMAGE002
个机器人，开始执行以下步骤：
1、搜索气味线索。
多机器人系统首先沿和当前风速交叉的方向前进，来搜索气味线索，一旦检测到气味线索，则启动该控制方法并执行第2步；否则继续执行第1步。
2、协调多机器人系统的智能控制方法开始执行。
对于第一个算法，执行以下步骤：
(1) 建立信息融合矩阵：
Figure 33835DEST_PATH_IMAGE004
其中,表示第
Figure 927022DEST_PATH_IMAGE002
个机器人的信息融合矩阵；
Figure 469999DEST_PATH_IMAGE006
和是两个均值矢量，用来存放第
Figure 619537DEST_PATH_IMAGE002
个机器人所获得的均值信息，他们分别具有元素
Figure 376141DEST_PATH_IMAGE008
和
Figure 293281DEST_PATH_IMAGE009
；。
(2) 抽取均值信息，并存放到信息融合矩阵中：
其中，如果第
Figure 846382DEST_PATH_IMAGE002
个机器人和第
Figure 731161DEST_PATH_IMAGE012
个机器人具有通信联系,则
Figure 998194DEST_PATH_IMAGE013
,
Figure 197094DEST_PATH_IMAGE014
,
Figure 928290DEST_PATH_IMAGE015
,
Figure 921654DEST_PATH_IMAGE016
 (
Figure 675983DEST_PATH_IMAGE017
是机器人的个数),否则
Figure 475312DEST_PATH_IMAGE018
。
Figure 998697DEST_PATH_IMAGE019
和
Figure 989394DEST_PATH_IMAGE020
是
Figure 293336DEST_PATH_IMAGE021
时刻第
Figure 630776DEST_PATH_IMAGE002
个机器人信息融合矩阵中的均值矢量
Figure 274247DEST_PATH_IMAGE094
和
Figure 2011100403761100002DEST_PATH_IMAGE095
的第
Figure 671731DEST_PATH_IMAGE024
个分量；
Figure 964434DEST_PATH_IMAGE026
和
Figure 43248DEST_PATH_IMAGE027
是
Figure 541226DEST_PATH_IMAGE028
时刻第
Figure 375190DEST_PATH_IMAGE012
个机器人信息融合矩阵中的均值矢量
Figure 325828DEST_PATH_IMAGE096
和
Figure 2011100403761100002DEST_PATH_IMAGE097
的第
Figure 270650DEST_PATH_IMAGE024
（）个分量；
Figure 623134DEST_PATH_IMAGE031
是第
Figure 627999DEST_PATH_IMAGE002
个机器人在
Figure 65934DEST_PATH_IMAGE028
时刻满足均值为1方差为1的正态分布；
Figure 47403DEST_PATH_IMAGE098
和
Figure 2011100403761100002DEST_PATH_IMAGE099
是调节参数；
Figure 582290DEST_PATH_IMAGE035
是第
Figure 695739DEST_PATH_IMAGE002
个机器人在
Figure 620970DEST_PATH_IMAGE028
时刻的位置；是
Figure 969092DEST_PATH_IMAGE035
的第
Figure 315759DEST_PATH_IMAGE024
个分量；
Figure 728286DEST_PATH_IMAGE037
是在
Figure 756285DEST_PATH_IMAGE028
时刻第
Figure 501649DEST_PATH_IMAGE002
个机器人的通信范围内的所有机器人所检测到的最大浓度信息所对应的位置；
Figure 691322DEST_PATH_IMAGE038
是
Figure 591145DEST_PATH_IMAGE037
的第
Figure 219573DEST_PATH_IMAGE024
个分量；是在
Figure 881815DEST_PATH_IMAGE028
时刻第
Figure 331251DEST_PATH_IMAGE002
个机器人在所有历史检测到的浓度信息中最大浓度信息所对应的位置；
Figure 701052DEST_PATH_IMAGE040
是
Figure 591648DEST_PATH_IMAGE039
的第
Figure 451020DEST_PATH_IMAGE024
个分量；
Figure 59856DEST_PATH_IMAGE037
和
Figure 233348DEST_PATH_IMAGE039
这两个位置信息能够根据下式被分别计算：
其中，
Figure 868969DEST_PATH_IMAGE043
是一个数学符号，用来获得函数
Figure 642890DEST_PATH_IMAGE044
的自变量；
Figure 397668DEST_PATH_IMAGE046
是函数映射，对于该问题是指与位置相对应的浓度值；
Figure 981096DEST_PATH_IMAGE047
和
Figure 230812DEST_PATH_IMAGE048
分别是第
Figure 278402DEST_PATH_IMAGE002
个机器人和第
Figure 588161DEST_PATH_IMAGE012
个机器人在（
Figure 774608DEST_PATH_IMAGE051
）时刻的位置。
(3) 依据信息融合矩阵中的均值信息建立气味源位置的概率分布，抽取位置信息。具体方法是：
Figure 614388DEST_PATH_IMAGE052
Figure 655900DEST_PATH_IMAGE053
其中, 
Figure 948341DEST_PATH_IMAGE054
表示正态分布具有均值
Figure 805439DEST_PATH_IMAGE019
和方差
Figure 562042DEST_PATH_IMAGE055
；是一个满足正态分布
Figure 258920DEST_PATH_IMAGE054
的随机变量；
Figure 716446DEST_PATH_IMAGE057
表示一个正态分布具有均值和方差
Figure 353281DEST_PATH_IMAGE055
；
Figure 682631DEST_PATH_IMAGE058
是一个满足正态分布
Figure 881531DEST_PATH_IMAGE057
的一个随机变量。
Figure 848612DEST_PATH_IMAGE055
可以根据下式获得：
Figure 107556DEST_PATH_IMAGE059
其中，
Figure 609688DEST_PATH_IMAGE060
和
Figure 346699DEST_PATH_IMAGE061
表示方差
Figure 870085DEST_PATH_IMAGE055
的最小值和最大值；表示最大的搜索时间；
Figure 338292DEST_PATH_IMAGE063
表示已经搜索的时间。
(4) 根据阈值和所抽取的位置信息，产生气味源可能的位置，并作为机器人在下一时刻需要移动到的位置。设定一个阈值（
Figure 584783DEST_PATH_IMAGE066
），然后在[0,1]内产生一个均匀分布的随机数，如果该随机数小于给定的阈值
Figure 919949DEST_PATH_IMAGE065
，则：
Figure 711188DEST_PATH_IMAGE067
否则：
Figure 790002DEST_PATH_IMAGE068
其中，
Figure 287980DEST_PATH_IMAGE069
表示在搜索区域内的一个随机位置。
(5) 根据所获得的位置
Figure 357829DEST_PATH_IMAGE064
和当前机器人的位置
Figure 574047DEST_PATH_IMAGE036
,规划机器人移动轨迹,轨迹采用螺旋模型,具体公式如下:
Figure 456552DEST_PATH_IMAGE070
其中,
Figure 871353DEST_PATH_IMAGE071
是第
Figure 813901DEST_PATH_IMAGE002
个机器人在(
Figure 734770DEST_PATH_IMAGE073
)时刻的位置；
Figure 207339DEST_PATH_IMAGE100
和
Figure 2011100403761100002DEST_PATH_IMAGE101
是两个调节参数;
Figure 117526DEST_PATH_IMAGE076
从最大值到最小值0进行变化；
Figure 827917DEST_PATH_IMAGE078
,是当前位置
Figure 501661DEST_PATH_IMAGE035
和所获得的位置
Figure 914188DEST_PATH_IMAGE080
之间的距离,是对数函数；
Figure 920507DEST_PATH_IMAGE082
，并且
Figure 375759DEST_PATH_IMAGE083
Figure 337899DEST_PATH_IMAGE084
Figure 904009DEST_PATH_IMAGE085
Figure 503880DEST_PATH_IMAGE086
Figure 130034DEST_PATH_IMAGE087
Figure 517153DEST_PATH_IMAGE088
其中，
Figure 683692DEST_PATH_IMAGE089
Figure 839867DEST_PATH_IMAGE090
其中，是反正切函数；
Figure 308074DEST_PATH_IMAGE092
是指数函数。
(6)采用一致性算法作为控制律，控制机器人沿着螺旋轨迹从当前位置
Figure 554565DEST_PATH_IMAGE036
移动到新位置
Figure 522521DEST_PATH_IMAGE064
。控制律的表示形式为：
Figure 618653DEST_PATH_IMAGE102
Figure 2011100403761100002DEST_PATH_IMAGE103
其中，（
Figure 687846DEST_PATH_IMAGE104
,
Figure 2011100403761100002DEST_PATH_IMAGE105
）是控制律；
Figure 880930DEST_PATH_IMAGE106
是一个正参数。
(7) 如果某一个机器人检测到的气味浓度达到预先设定值，或通过视觉传感器判断出气味源，然后通过无线网络通知第个机器人，或搜索时间超过事先规定的时间，则该方法停止执行并提供气味源位置的估计值
Figure 665533DEST_PATH_IMAGE037
；否则从第(1)步重新开始执行。

Claims (1)

1.一种基于信息融合机制的多机器人危险气味源定位方法，其特征在于该方法包括以下步骤：
(1)建立信息融合矩阵，根据群体获得的最大浓度所对应的位置信息、机器人获得的最大浓度所对应的位置信息和机器人的当前位置信息，建立气味源位置均值分布的概率模型，并抽取均值信息存放到信息融合矩阵中，具体方法是：
a.建立信息融合矩阵：
                                                              
Figure 2011100403761100001DEST_PATH_IMAGE001
其中,
Figure 282526DEST_PATH_IMAGE002
表示第
Figure 671919DEST_PATH_IMAGE004
个机器人的信息融合矩阵；
Figure 2011100403761100001DEST_PATH_IMAGE005
和
Figure 582368DEST_PATH_IMAGE006
是两个均值矢量，用来存放第个机器人所获得的均值信息，他们分别具有元素
Figure 2011100403761100001DEST_PATH_IMAGE007
和
Figure 819632DEST_PATH_IMAGE008
；
b.抽取均值信息，并存放到信息融合矩阵中：
    
Figure 2011100403761100001DEST_PATH_IMAGE009
    
Figure 624383DEST_PATH_IMAGE010
其中，如果第个机器人和第个机器人具有通信联系,则
Figure 104092DEST_PATH_IMAGE012
,
Figure 2011100403761100001DEST_PATH_IMAGE013
,
Figure 732520DEST_PATH_IMAGE014
,
Figure 2011100403761100001DEST_PATH_IMAGE015
 ，
Figure 332390DEST_PATH_IMAGE016
是机器人的个数,否则；
Figure 20861DEST_PATH_IMAGE018
和
Figure 2011100403761100001DEST_PATH_IMAGE019
是
Figure 267034DEST_PATH_IMAGE020
时刻第
Figure 636836DEST_PATH_IMAGE004
个机器人信息融合矩阵中的均值矢量和
Figure 416180DEST_PATH_IMAGE022
的第个分量，
Figure 275551DEST_PATH_IMAGE024
；
Figure 2011100403761100001DEST_PATH_IMAGE025
和是
Figure 2011100403761100001DEST_PATH_IMAGE027
时刻第
Figure 418399DEST_PATH_IMAGE011
个机器人信息融合矩阵中的均值矢量
Figure 491397DEST_PATH_IMAGE028
和
Figure 2011100403761100001DEST_PATH_IMAGE029
的第个分量；
Figure 617802DEST_PATH_IMAGE030
是第个机器人在
Figure 522490DEST_PATH_IMAGE027
时刻满足均值为1方差为1的正态分布的一个随机数；
Figure 2011100403761100001DEST_PATH_IMAGE031
和
Figure 222199DEST_PATH_IMAGE032
是调节参数，并且满足
Figure 2011100403761100001DEST_PATH_IMAGE033
；
Figure 353097DEST_PATH_IMAGE034
是第
Figure 868392DEST_PATH_IMAGE004
个机器人在
Figure 915983DEST_PATH_IMAGE027
时刻的位置；
Figure 2011100403761100001DEST_PATH_IMAGE035
是
Figure 288058DEST_PATH_IMAGE034
的第
Figure 93203DEST_PATH_IMAGE023
个分量；是在
Figure 547242DEST_PATH_IMAGE027
时刻第
Figure 27902DEST_PATH_IMAGE004
个机器人的通信范围内的所有机器人所检测到的最大浓度信息所对应的位置；是
Figure 648239DEST_PATH_IMAGE036
的第
Figure 302074DEST_PATH_IMAGE023
个分量；
Figure 261940DEST_PATH_IMAGE038
是在
Figure 975818DEST_PATH_IMAGE027
时刻第
Figure 755555DEST_PATH_IMAGE004
个机器人在所有历史检测到的浓度信息中最大浓度信息所对应的位置；
Figure 2011100403761100001DEST_PATH_IMAGE039
是
Figure 714546DEST_PATH_IMAGE038
的第
Figure 528919DEST_PATH_IMAGE023
个分量；
Figure 413698DEST_PATH_IMAGE036
和
Figure 680731DEST_PATH_IMAGE038
这两个位置信息能够根据下式被分别计算：
         
      
其中，
Figure 673144DEST_PATH_IMAGE042
是一个数学符号，用来获得函数的自变量
Figure 227360DEST_PATH_IMAGE044
；是函数映射；
Figure 44006DEST_PATH_IMAGE046
和
Figure 2011100403761100001DEST_PATH_IMAGE047
分别是第
Figure 171231DEST_PATH_IMAGE048
个机器人和第
Figure 694616DEST_PATH_IMAGE011
个机器人在时刻的位置,
Figure 664289DEST_PATH_IMAGE050
是连续时间的表示, 
Figure 2011100403761100001DEST_PATH_IMAGE051
； 
(2)依据信息融合矩阵中的均值信息建立气味源位置的概率分布，抽取位置信息；具体方法是：
                
                
Figure 2011100403761100001DEST_PATH_IMAGE053
其中, 
Figure 769834DEST_PATH_IMAGE054
表示正态分布具有均值
Figure 370579DEST_PATH_IMAGE018
和方差
Figure 2011100403761100001DEST_PATH_IMAGE055
；是一个满足正态分布
Figure 824922DEST_PATH_IMAGE054
的随机变量；
Figure 2011100403761100001DEST_PATH_IMAGE057
表示一个正态分布具有均值
Figure 119637DEST_PATH_IMAGE019
和方差
Figure 891284DEST_PATH_IMAGE055
；
Figure 841922DEST_PATH_IMAGE058
是一个满足正态分布
Figure 786745DEST_PATH_IMAGE057
的一个随机变量；可以根据下式获得：
                   
其中，
Figure 645558DEST_PATH_IMAGE060
和
Figure 2011100403761100001DEST_PATH_IMAGE061
表示方差
Figure 208127DEST_PATH_IMAGE055
的最小值和最大值；
Figure 894323DEST_PATH_IMAGE062
表示最大的搜索时间；
Figure 2011100403761100001DEST_PATH_IMAGE063
表示已经搜索的时间；
 (3)根据阈值和所抽取的位置信息，产生气味源可能的位置
Figure 163630DEST_PATH_IMAGE064
，并作为机器人在下一时刻需要移动到的位置，具体是：
设定一个阈值
Figure 2011100403761100001DEST_PATH_IMAGE065
（
Figure 837932DEST_PATH_IMAGE066
），然后在[0,1]内产生一个均匀分布的随机数，如果该随机数小于给定的阈值
Figure 825480DEST_PATH_IMAGE065
，则：
                   
否则：
                      
其中，
Figure 2011100403761100001DEST_PATH_IMAGE069
表示在搜索区域内的一个随机位置；
   (4)根据所获得的位置
Figure 501497DEST_PATH_IMAGE064
和当前机器人的位置
Figure 520269DEST_PATH_IMAGE035
,规划机器人移动轨迹, 移动轨迹采用螺旋模型,具体公式如下:
            
Figure 496578DEST_PATH_IMAGE070
其中,是第
Figure 586893DEST_PATH_IMAGE004
个机器人在
Figure 768476DEST_PATH_IMAGE072
(
Figure 2011100403761100001DEST_PATH_IMAGE073
)时刻的位置；
Figure 286045DEST_PATH_IMAGE074
和
Figure 2011100403761100001DEST_PATH_IMAGE075
是两个调节参数;
Figure 543458DEST_PATH_IMAGE076
从最大值
Figure 2011100403761100001DEST_PATH_IMAGE077
到最小值0进行变化；
Figure 171885DEST_PATH_IMAGE078
,
Figure 2011100403761100001DEST_PATH_IMAGE079
是当前位置
Figure 535870DEST_PATH_IMAGE034
和所获得的位置
Figure 162024DEST_PATH_IMAGE080
之间的距离,
Figure 2011100403761100001DEST_PATH_IMAGE081
是对数函数；
Figure 345880DEST_PATH_IMAGE082
，并且
Figure 2011100403761100001DEST_PATH_IMAGE083
                  
Figure 341780DEST_PATH_IMAGE084
Figure 2011100403761100001DEST_PATH_IMAGE085
           
Figure 560272DEST_PATH_IMAGE086
           
Figure 2011100403761100001DEST_PATH_IMAGE087
           
Figure 419644DEST_PATH_IMAGE088
其中
           
Figure 2011100403761100001DEST_PATH_IMAGE089
           
Figure 589332DEST_PATH_IMAGE090
其中，
Figure 2011100403761100001DEST_PATH_IMAGE091
是反正切函数；
Figure 559562DEST_PATH_IMAGE092
是指数函数；   
   (5)采用一致性算法作为控制律，沿着螺旋轨迹
Figure 2011100403761100001DEST_PATH_IMAGE093
,控制机器人从当前位置
Figure 694877DEST_PATH_IMAGE035
移动到新位置
Figure 662833DEST_PATH_IMAGE064
；
   (6)判断方法是否结束；如果某一个机器人检测到的气味浓度达到预先设定值，或通过视觉传感器判断出气味源，然后通过无线网络通知第
Figure 758965DEST_PATH_IMAGE004
个机器人，或搜索时间超过事先规定的时间，则该方法停止执行并提供气味源位置的估计值
Figure 34351DEST_PATH_IMAGE036
；否则从第(1)步重新开始执行。
CN 201110040376 2011-02-18 2011-02-18 一种基于信息融合机制的多机器人危险气味源定位方法 Expired - Fee Related CN102176119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110040376 CN102176119B (zh) 2011-02-18 2011-02-18 一种基于信息融合机制的多机器人危险气味源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110040376 CN102176119B (zh) 2011-02-18 2011-02-18 一种基于信息融合机制的多机器人危险气味源定位方法

Publications (2)

Publication Number Publication Date
CN102176119A true CN102176119A (zh) 2011-09-07
CN102176119B CN102176119B (zh) 2012-12-26

Family

ID=44519310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110040376 Expired - Fee Related CN102176119B (zh) 2011-02-18 2011-02-18 一种基于信息融合机制的多机器人危险气味源定位方法

Country Status (1)

Country Link
CN (1) CN102176119B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104816305A (zh) * 2015-04-08 2015-08-05 杭州电子科技大学 一种基于事件驱动机制的有限时间多机器人合作控制方法
CN104865825A (zh) * 2015-03-19 2015-08-26 杭州电子科技大学 一种多机器人合作时序预测控制方法
CN107832803A (zh) * 2017-11-27 2018-03-23 胡明建 一种机械视觉和机械嗅觉以时间相互映射的设计方法
CN108785846A (zh) * 2018-07-02 2018-11-13 电子科技大学 一种移动分子通信中基于浓度梯度的目标导向方法
CN110622023A (zh) * 2017-05-17 2019-12-27 国际商业机器公司 用于流体污染分析的化学和速度组合传感器
CN113084807A (zh) * 2021-03-31 2021-07-09 中国科学技术大学 多机器人系统有毒气体泄露源头搜寻方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004181543A (ja) * 2002-11-29 2004-07-02 Nachi Fujikoshi Corp 産業用ロボット及びその異常判断方法
CN101354587A (zh) * 2008-09-04 2009-01-28 湖南大学 一种未知环境下移动机器人多行为融合自动导航方法
CN101630413A (zh) * 2009-08-14 2010-01-20 浙江大学 一种多机器人跟踪移动目标算法
CN101920498A (zh) * 2009-06-16 2010-12-22 泰怡凯电器(苏州)有限公司 实现室内服务机器人同时定位和地图创建的装置及机器人

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004181543A (ja) * 2002-11-29 2004-07-02 Nachi Fujikoshi Corp 産業用ロボット及びその異常判断方法
CN101354587A (zh) * 2008-09-04 2009-01-28 湖南大学 一种未知环境下移动机器人多行为融合自动导航方法
CN101920498A (zh) * 2009-06-16 2010-12-22 泰怡凯电器(苏州)有限公司 实现室内服务机器人同时定位和地图创建的装置及机器人
CN101630413A (zh) * 2009-08-14 2010-01-20 浙江大学 一种多机器人跟踪移动目标算法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104865825A (zh) * 2015-03-19 2015-08-26 杭州电子科技大学 一种多机器人合作时序预测控制方法
CN104816305A (zh) * 2015-04-08 2015-08-05 杭州电子科技大学 一种基于事件驱动机制的有限时间多机器人合作控制方法
CN110622023A (zh) * 2017-05-17 2019-12-27 国际商业机器公司 用于流体污染分析的化学和速度组合传感器
CN110622023B (zh) * 2017-05-17 2023-11-24 国际商业机器公司 用于流体污染分析的化学和速度组合传感器
CN107832803A (zh) * 2017-11-27 2018-03-23 胡明建 一种机械视觉和机械嗅觉以时间相互映射的设计方法
CN108785846A (zh) * 2018-07-02 2018-11-13 电子科技大学 一种移动分子通信中基于浓度梯度的目标导向方法
CN113084807A (zh) * 2021-03-31 2021-07-09 中国科学技术大学 多机器人系统有毒气体泄露源头搜寻方法

Also Published As

Publication number Publication date
CN102176119B (zh) 2012-12-26

Similar Documents

Publication Publication Date Title
CN102176119A (zh) 一种基于信息融合机制的多机器人危险气味源定位方法
CN102034030A (zh) 一种多机器人系统合作定位危险气味源方法
CN102169346A (zh) 一种协调多机器人系统的智能控制方法
CN107618503B (zh) 一种自动泊车控制方法及系统
Hutchinson et al. Information-based search for an atmospheric release using a mobile robot: Algorithm and experiments
CN107420743A (zh) 一种智能城市燃气pe管网测控系统及测控方法
Wang et al. Multi-robot odor source search based on cuckoo search algorithm in ventilated indoor environment
CN103970135A (zh) 一种基于mapso优化粒子滤波的多移动机器人协作定位方法
CN107807522A (zh) 水下机器人轨迹跟踪反步控制方法
CN106773669A (zh) 一种燃料热值实时自适应校正的火电机组协调控制方法
CN102542126A (zh) 基于半监督学习的软测量方法
CN107402283A (zh) 一种借助移动机器人实现的气体泄漏溯源方法
CN104483832B (zh) 基于t‑s模型的气动比例阀模糊滑模自适应控制方法
CN114154383B (zh) 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
Zhang et al. Precise measurements and control of the position of the rolling shutter and rolling film in a solar greenhouse
CN110244002B (zh) 一种基于无人机系统的大气污染源追踪方法
CN106249739A (zh) 一种高性能机器人防撞移动算法
CN105653835A (zh) 一种基于聚类分析的异常检测方法
CN102385386B (zh) 一种水火弯板智能机器人路径规划方法
CN113778141B (zh) 一种分段pid控制的流体管道流量控制系统
CN114839979A (zh) 一种基于srp的多机器人羽流寻源相对导航策略
CN109709794A (zh) 一种适用于运动控制器的控制方法
CN105758996B (zh) 大空间区域内电子鼻的布局方法
CN108982308A (zh) 一种基于dsp飞灰含碳量测量的实时多任务调度方法
CN107861501A (zh) 地下污水处理厂智能机器人自主定位导航系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20181107

Address after: 313000 industrial zone of Donglin Town, Wuxing District, Huzhou, Zhejiang

Patentee after: ZHEJIANG YUANTE NEW MATERIAL CO.,LTD.

Address before: 310018 2 street, Xiasha Higher Education Park, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191211

Address after: No.146, Shuangjin Road, Xiannv Town, Jiangdu District, Yangzhou City, Jiangsu Province

Patentee after: Yangzhou Zhonggui Motor Technology Co.,Ltd.

Address before: 313000 Zhejiang Province, Huzhou city Wuxing District East Town Industrial Zone

Patentee before: ZHEJIANG YUANTE NEW MATERIAL CO.,LTD.

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20121226