CN105022406A - 基于改进细菌觅食算法的多机器人协作气味源定位方法 - Google Patents
基于改进细菌觅食算法的多机器人协作气味源定位方法 Download PDFInfo
- Publication number
- CN105022406A CN105022406A CN201510369152.3A CN201510369152A CN105022406A CN 105022406 A CN105022406 A CN 105022406A CN 201510369152 A CN201510369152 A CN 201510369152A CN 105022406 A CN105022406 A CN 105022406A
- Authority
- CN
- China
- Prior art keywords
- robot
- bacterium
- plume
- odor source
- odor
- 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
Landscapes
- Manipulator (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进细菌觅食算法的多机器人协作气味源定位方法,该方法包括以下步骤:烟羽发现阶段,在机器人未测得气味烟羽时,将整个工作空间利用Voronoi图方法划分为多个区域,每个机器人在各自的工作区域中执行随机烟羽搜索策略;烟羽跟踪阶段,当机器人检测到气味烟羽时,采用改进细菌觅食算法确定机器人下一步搜索方向,实现气味的自动跟踪;气味源确认阶段,根据机器人所在位置测得的气味浓度值和机器人的位置变化范围,判断确定气味源的位置。本发明实现了多机器人分布式协作快速定位气味源,显著提高了气味源搜寻的效率和气味源定位的精度,可应用于有害/有毒气体检测、灾后搜索和营救等场合。
Description
技术领域
本发明涉及一种机器人气味源定位方法,具体涉及一种基于改进细菌觅食算法的多机器人协作气味源定位方法,属于自动检测及机器人技术领域。
背景技术
在自然界中,许多生物利用嗅觉器官发现同伴、搜寻食物源或进行交流。随着传感器技术、机器人学等发展,自上世纪90年代以来,一些学者开始尝试利用机器人进行气味源定位,称为机器人主动嗅觉,它可广泛应用于有毒有害气体检测,在救灾、抢险乃至反恐、安全等领域有广阔的应用前景。
机器人气味源定位可分为烟羽发现、烟羽跟踪和气味源确认3个阶段。根据烟羽模型的建立方法,现有的气味源定位方法可分为基于平流/湍流信息的气味跟踪法和基于气味分布模型估计的气味跟踪法两类。第一类方法利用气味浓度和/或风速信息定位气味源,第二类方法利用机器人采集的环境信息,更新气味分布地图,以定位气味源。
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气味源定位的主要工具。目前,模仿生物群体行为的多机器人气味源定位方法正逐渐受到关注,代表方法包括:2003年召开的国际会议《Proceedings of 11thInternational Conference on Advanced Robotics》中“Odour searching withautonomous mobile robots:an evolutionary-based approach”论文提出的进化优化法;2008年第6期《机器人》期刊“基于修正蚁群算法的多机器人气味源定位策略研究”论文,以及2012年第12期《Sensors》期刊“Adapting an Ant Colonymetaphor for Multi-robot chemical plume tracing”论文提出的蚁群优化法;2013年第3期《机器人》期刊“室内通风环境下基于模拟退火算法的单机器人气味源定位”论文提出的模拟退火算法;2007年第2期《IEEE computational intelligencemagazine》期刊“A PSO-based mobile robot for odor source localization in dynamicadvection-diffusion with obstacle environment:theory,simulation and measurement”论文,2011年第3期《International Journal of Automation Computing》期刊“Alearning particle swarm optimization algorithm for odor source localization”论文,以及2013年第5期《控制与决策》期刊“基于微粒群优化的有限通信多机器人气味寻源”论文提出的微粒群优化法。
上述诸多方法多采用随机搜索策略发现烟羽,搜索效率低,能量消耗高,很难指导机器人快速发现烟羽。细菌觅食算法源于大肠杆菌在觅食过程中体现出的智能行为,具有简单、分布式鲁棒性好、扩展性好等优点,但对于细菌觅食算法与机器人气味源定位问题的结合研究,目前尚未提出行之有效的方法。
发明内容
本发明的目的是提出一种基于改进细菌觅食算法的多机器人协作气味源定位方法,搜索效率高,可实现气味源的快速定位。
为实现上述目的,本发明采用的技术方案是:一种基于改进细菌觅食算法的多机器人协作气味源定位方法,包括以下步骤:
(1)烟羽发现阶段:机器人利用气味传感器在工作空间内检测所需搜索的气味烟羽,在机器人未测得气味烟羽时,将整个工作空间利用Voronoi图方法划分为多个区域,每个机器人在各自的工作区域中执行随机烟羽搜索策略;
(2)烟羽跟踪阶段:当机器人检测到气味烟羽时,采用改进细菌觅食算法确定机器人下一步搜索方向,实现气味的自动跟踪;
(3)气味源确认阶段:根据机器人测得的气味浓度值和机器人的位置变化范围,判断确定气味源的位置。
进一步地,步骤(1)中所述的Voronoi图方法为根据工作空间中机器人的数量,利用矢量对偶法生成Voronoi图。
进一步地,步骤(1)中所述的随机烟羽搜索策略为Z字型烟羽发现策略。
进一步地,步骤(2)中所述的改进细菌觅食算法,包括以下步骤:
a.趋化操作,具体方法是:
将每个机器人看作一个细菌,机器人所测气味浓度值作为细菌的适应值,设定细菌θi当前位置为个体引导者,菌群发现的最优位置为全局引导者;其中,θi表示第i个细菌;
在烟羽跟踪前期,利用随机产生的方向向量作为细菌的运动方向,根据趋化性操作公式更新细菌的位置;其中,所述趋化性操作公式为:
其中,θi(j,k,l)表示第i个细菌在第j次趋化、第k次复制、第l次驱散操作后的位置;S(i)表示细菌前进的单位步长;△(i,j)表示第i个细菌在第j次趋化中随机产生的方向向量;
在烟羽跟踪后期,根据个体引导者和全局引导者的微粒速度更新公式产生细菌的运动方向;其中,所述个体引导者和全局引导者的微粒速度更新公式为:
Vi(j+1,k,l)=ωVi(j,k,l)+c1r1(Pi(j,k,l)-θi(j,k,l))+c2r2(Gi(j,k,l)-θi(j,k,l))
其中,ω为惯性权重;c1和c2为学习因子;r1和r2是[0,1]之间的随机数;Pi(j,k,l)表示第i个细菌在第j次趋化、第k次复制、第l次驱散操作后的个体引导者;Gi(j,k,l)表示第i个细菌在第j次趋化、第k次复制、第l次驱散操作后的全局引导者;Vi(j)细菌翻转后的运动方向;
根据细菌旋转运动方向利用改进趋化性操作公式更新细菌的位置;其中,所述改进趋化性操作公式为:
判断细菌θi的先前位置θi(j,k,l)与新生位置θi(j+1,k,l)之间是否有障碍物,若无障碍物,则机器人直接移向新生位置;若有障碍物,则采用人工势场法引导机器人移向新生位置;
根据新生位置机器人所测气味浓度值,更新细菌θi的个体引导者和全局引导者;
b.复制操作,具体方法是:
将N个细菌按照健康度进行排序;其中,所述健康度公式为:
其中,Ji(j,k,l)表示第i个细菌在第j次趋化操作时的气味浓度值;
根据排序后的健康度,保留健康度较好的N/2个细菌,健康度较差的N/2个细菌执行交叉操作;其中,所述交叉操作公式为:
θm(j,k+1,l)=αθm(j,k,l)+(1-α)θn(j,k,l)
其中,α是[0,1]之间的随机数;θm(j,k,l)和θn(j,k,l)分别为健康度较差的细菌和健康度较好的细菌;
判断细菌θm的先前位置θm(j,k,l)与新生位置θm(j,k+1,l)之间是否有障碍物,若无障碍物,则机器人直接移向新生位置;若有障碍物,则采用人工势场法引导机器人移向新生位置;
根据新生位置机器人所测气味浓度值,更新细菌θm的个体引导者和全局引导者;
c.迁徙操作,具体方法是:
对于细菌θi,如果满足迁徙操作条件rand()<Ped,执行随机翻转运动;否则,保持当前个体不变;其中,rand()是[0,1]之间的随机数;Ped是给定迁徙概率。
进一步地,所述更新细菌θi的个体引导者的步骤为:如细菌θi在位置θi(j+1,k,l)上的气味浓度值大于个体引导者Pi(j,k,l)的气味浓度值,则设置Pi(j+1,k,l)=θi(j+1,k,l);否则,保持个体引导者不变;
所述更新细菌θi的全局引导者的步骤为:细菌θi根据邻域细菌的气味浓度值信息,选择具有最大气味浓度的细菌位置作为其全局引导者。
进一步地,所述步骤(3)的判断方法为,如果机器人所在位置测得的气味浓度值均值大于设定阈值ε1,且机器人位置变化范围小于设定阈值ε2,则判断确定气味源的位置。
本发明提出的一种基于改进细菌觅食算法的多机器人协作气味源定位方法,烟羽发现阶段采用Voronoi图法划分整个工作空间,可使多机器人快速定位气味源,显著提高了气味源搜寻的效率和成功率;烟羽跟踪阶段采用改进细菌觅食算法实现多个机器人的分布式协作气味源搜索,充分发挥了多机器人的快速性和鲁棒性优势,该方法有效提高了气味源定位的精度,满足实际中要求快速定位的要求,可广泛应用于有害/有毒气体检测、灾后搜索和营救等场合。
附图说明
图1是本发明实施例中实验环境的可视图;
图2是本发明的基于改进细菌觅食算法的多机器人协作气味源定位方法的流程图;
图3是本发明实施例中机器人工作空间Voronoi图划分方法示意图;
图4是本发明实施例中改进细菌觅食算法的流程图;
图5是本发明实施例中改进细菌觅食算法在150s时所得搜索结果图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
如图1所示,为本发明实施例中实验环境的可视图。在20m×20m的二维空间中,利用Gambit和Fluent软件,生成1组乙醇气味实验环境。环境参数如下:图中Inlet1、Inlet2和Inlet3为3个宽2m的进风口,位置坐标分别为(x=0,y=[7,9])、(x=0,y=[14,16])和(x=[6,8],y=20),3个进风口风速分别为(1m/s,2m/s,3m/s),箭头表示风向。Out为出风口,位置坐标为(x=20,y=[10,12]),乙醇气味源的位置在(7,15)处,颜色灰度越深表示气味浓度越大。
如图2所示,采用本发明的基于改进细菌觅食算法的多机器人协作气味源定位方法搜索气味源,包括如下步骤:
(1)烟羽发现阶段:机器人利用气味传感器在工作空间内检测所需搜索的气味烟羽,在机器人未测得气味烟羽时,将整个工作空间利用Voronoi图方法划分为多个区域,每个机器人在其工作区域中执行随机烟羽搜索策略;
(2)烟羽跟踪阶段:当机器人检测到气味烟羽时,采用改进细菌觅食算法确定机器人下一步搜索方向,实现气味的自动跟踪;
(3)气味源确认阶段:根据机器人测得的气味浓度值和机器人的位置变化范围,判断确定气味源的位置。
所述烟羽发现阶段,在机器人未检测到气味信息的情况下,为提高多机器人协作搜索效率,采用Voronoi图将工作空间划分为一定数量的子区域,所述Voronoi图方法为根据工作空间中机器人的数量,利用矢量对偶法生成Voronoi图。
所述烟羽发现阶段中的随机烟羽搜索策略为Z字型烟羽发现策略,在子区域里边利用Z字型烟羽发现策略,能使机器人快速发现烟羽。
其中,所述Z字型烟羽发现策略,参见2006年第2期《IEEE Transactions onRobotics》期刊中论文“Moth-inspired chemical plume tracing on an autonomousunderwater vehicle”公开的内容。
其中,所述Voronoi图矢量对偶法是根据其对偶图和三角网间接生成,先生成对偶元Delaunay三角网,再做每个三角形三条边的中垂线,最后以所有三角形顶点为生成元形成多边形网,生成Voronoi图。如图3所示,为本发明实施例中10个机器人的Voronoi图划分方法示意图。该图中“*”表示工作空间中10个机器人的初始位置,以这10个机器人初始位置为顶点,连接生成Delaunay三角网,然后做每个三角形边的中垂线生成多边形网络,其顶点在图中用“◇”表示,多边形网络将工作空间划分为子区域1~子区域10共10个子区域,每个机器人在其子区域里利用Z字型烟羽发现策略寻找气味信息。
当机器人发现烟羽后,进入烟羽跟踪阶段。如图4所示,为本发明实施例中改进细菌觅食算法的流程图,该算法中将每个机器人看作一个细菌,机器人所测气味浓度值作为细菌的适应值。
所述改进细菌觅食算法,包括有如下步骤:
a.趋化操作,具体方法是:
设定细菌θi当前位置为个体引导者Pi(0,0,0),菌群发现的最优位置为全局引导者Gi(0,0,0);其中,θi表示第i个细菌;
在烟羽跟踪前期,利用随机产生的方向向量作为细菌的运动方向,根据趋化性操作公式更新细菌的位置,趋化操作次数Nc可根据实验环境设定为2~10;其中,所述趋化性操作公式为:
其中,θi(j,k,l)表示第i个细菌在第j次趋化、第k次复制、第l次驱散操作后的位置;S(i)表示细菌前进的单位步长,根据机器人运动要求可取值为0.1m~1m;△(i,j)表示第i个细菌在第j次趋化中随机产生的方向向量;
在烟羽跟踪后期,根据个体引导者和全局引导者的微粒速度更新公式产生细菌的运动方向;其中,所述个体引导者和全局引导者的微粒速度更新公式为:
Vi(j+1,k,l)=ωVi(j,k,l)+c1r1(Pi(j,k,l)-θi(j,k,l))+c2r2(Gi(j,k,l)-θi(j,k,l))
其中,ω为惯性权重,取值为0.8~0.2线性递减;c1和c2为学习因子,设定为2;r1和r2是[0,1]之间的随机数;Pi(j,k,l)表示第i个细菌在第j次趋化、第k次复制、第l次驱散操作后的个体引导者;Gi(j,k,l)表示第i个细菌在第j次趋化、第k次复制、第l次驱散操作后的全局引导者;Vi(j)细菌翻转后的运动方向;
根据细菌旋转运动方向利用改进趋化性操作公式更新细菌的位置,趋化操作次数Nc可根据实验环境设定为2~10;其中,所述改进趋化性操作公式为:
判断细菌θi的先前位置θi(j,k,l)与新生位置θi(j+1,k,l)之间是否有障碍物,若无障碍物,则机器人直接移向新生位置;若有障碍物,则采用人工势场法引导机器人移向新生位置;
其中,所述人工势场法,参见1986年第1期《International Journal of roboticsresearch》期刊论文“Real-time obstacle avoidance for manipulators and mobilerobots”公开的内容。
根据新生位置机器人所测气味浓度值,更新细菌θi的个体引导者和全局引导者,方法如下:
如细菌θi在位置θi(j+1,k,l)上的气味浓度值大于个体引导者Pi(j,k,l)的气味浓度值,则设置Pi(j+1,k,l)=θi(j+1,k,l);否则,保持个体引导者不变;细菌θi根据邻域细菌的气味浓度值信息,选择具有最大气味浓度的细菌位置作为其全局引导者。
b.复制操作,具体方法是:
将N=10个细菌按照健康度进行排序;其中,所述健康度公式为:
其中,Ji(j,k,l)表示第i个细菌在第j次趋化操作时的气味浓度值;
根据排序后健康度,健康度较好的N/2=5个细菌对应机器人的位置保持不变,健康度较差的N/2=5个细菌对应机器人的位置,与健康度较好细菌的信息进行交叉操作,复制操作次数Nre可取值为2~5;其中,所述交叉操作公式为:
θm(j,k+1,l)=αθm(j,k,l)+(1-α)θn(j,k,l)
其中,α是[0,1]之间的随机数;θm(j,k,l)和θn(j,k,l)分别为健康度较差的细菌和健康度较好的细菌;
判断细菌θm的先前位置θm(j,k,l)与新生位置θm(j,k+1,l)之间是否有障碍物,若无障碍物,则机器人直接移向新生位置;若有障碍物,则采用人工势场法引导机器人移向新生位置;
根据新生位置机器人所测气味浓度值,更新细菌θm的个体引导者和全局引导者;
c.迁徙操作,具体方法是:
对于细菌θi,如果满足迁徙操作条件rand()<Ped,执行随机翻转运动;否则,保持当前个体不变;其中,rand()是[0,1]之间的随机数;Ped是给定迁徙概率,可取值为0.05~0.3。
当机器人完成烟羽跟踪阶段后,进入气味源确认阶段。所述气味源确认阶段方法为:如果机器人所在位置测得的气味浓度值均值大于设定阈值ε1,且机器人位置变化范围小于设定阈值ε2,则判断确定气味源的位置。ε1可取值为气味浓度最大值Cmax的90~95%,ε2可取值为机器人直径D的3~5倍。
根据图1所示的仿真实验环境,采用10个机器人组成多机器人系统,分别设定Nc=3、S(i)=0.5m、Nre=2、Ped=0.2、ε1=0.95Cmax、ε2=5D,如图5所示,为本实施例中10个机器人在150s时所得结果可视图,其中“●”表示机器人。实验结果表明,本发明能够以较快的速度和较高的效率定位环境中的气味源。
Claims (6)
1.一种基于改进细菌觅食算法的多机器人协作气味源定位方法,其特征在于,该方法包括以下步骤:
烟羽发现阶段:机器人利用气味传感器在工作空间内检测所需搜索的气味烟羽,在机器人未测得气味烟羽时,将整个工作空间利用Voronoi图方法划分为多个区域,每个机器人在各自的工作区域中执行随机烟羽搜索策略;
烟羽跟踪阶段:当机器人检测到气味烟羽时,采用改进细菌觅食算法确定机器人下一步搜索方向,实现气味的自动跟踪;
烟羽确认阶段:根据机器人测得的气味浓度值和机器人的位置变化范围,判断确定气味源的位置。
2.根据权利要求1所述的基于改进细菌觅食算法的多机器人协作气味源定位方法,其特征在于,所述烟羽发现阶段中的Voronoi图方法为根据工作空间中机器人的数量,利用矢量对偶法生成Voronoi图。
3.根据权利要求1或2所述的基于改进细菌觅食算法的多机器人协作气味源定位方法,其特征在于,所述烟羽发现阶段中的随机烟羽搜索策略为Z字型烟羽发现策略。
4.根据权利要求1或2所述的基于改进细菌觅食算法的多机器人协作气味源定位方法,其特征在于,所述烟羽跟踪阶段中的改进细菌觅食算法,是将每个机器人看作一个细菌,机器人所测气味浓度值作为细菌的适应值,包括有如下步骤:
a.趋化操作,具体方法是:
设定细菌θi当前位置为个体引导者,菌群发现的最优位置为全局引导者;其中,θi表示第i个细菌;
在烟羽跟踪前期,利用随机产生的方向向量作为细菌的运动方向,根据趋化性操作公式更新细菌的位置;其中,所述趋化性操作公式为:
其中,θi(j,k,l)表示第i个细菌在第j次趋化、第k次复制、第l次驱散操作后的位置;S(i)表示细菌前进的单位步长;Δ(i,j)表示第i个细菌在第j次趋化中随机产生的方向向量;
在烟羽跟踪后期,根据个体引导者和全局引导者的微粒速度更新公式产生细菌的运动方向;其中,所述个体引导者和全局引导者的微粒速度更新公式为:
Vi(j+1,k,l)=ωVi(j,k,l)+c1r1(Pi(j,k,l)-θi(j,k,l))+c2r2(Gi(j,k,l)-`i(j,k,l))
其中,ω为惯性权重;c1和c2为学习因子;r1和r2是[0,1]之间的随机数;Pi(j,k,l)表示第i个细菌在第j次趋化、第k次复制、第l次驱散操作后的个体引导者;
Gi(j,k,l)表示第i个细菌在第j次趋化、第k次复制、第l次驱散操作后的全局引导者;Vi(j)细菌翻转后的运动方向;
根据细菌旋转运动方向利用改进趋化性操作公式更新细菌的位置;其中,所述改进趋化性操作公式为:
判断细菌θi的先前位置θi(j,k,l)与新生位置θi(j+1,k,l)之间是否有障碍物,若无障碍物,则机器人直接移向新生位置;若有障碍物,则采用人工势场法引导机器人移向新生位置;
根据新生位置机器人所测气味浓度值,更新细菌θi的个体引导者和全局引导者;
b.复制操作,具体方法是:
将N个细菌按照健康度进行排序;其中,所述健康度公式为:
其中,Ji(j,k,l)表示第i个细菌在第j次趋化操作时的气味浓度值;
根据排序后健康度,保留健康度较好的N/2个细菌,健康度较差的N/2个细菌执行交叉操作;其中,所述交叉操作公式为:
θm(j,k+1,l)=αθm(j,k,l)+(1-α)θn(j,k,l)
其中,α是[0,1]之间的随机数;θm(j,k,l)和θn(j,k,l)分别为健康度较差的细菌和健康度较好的细菌;
判断细菌θm的先前位置θm(j,k,l)与新生位置θm(j,k+1,l)之间是否有障碍物,若无障碍物,则机器人直接移向新生位置;若有障碍物,则采用人工势场法引导机器人移向新生位置;
根据新生位置机器人所测气味浓度值,更新细菌θm的个体引导者和全局引导者;
c.迁徙操作,具体方法是:
对于细菌θi,如果满足迁徙操作条件rand()<Ped,执行随机翻转运动;否则,保持当前个体不变;其中,rand()是[0,1]之间的随机数;Ped是给定迁徙概率。
5.根据权利要求4所述的基于改进细菌觅食算法的多机器人协作气味源定位方法,其特征在于,
所述更新细菌θi的个体引导者的步骤为:如细菌θi在位置θi(j+1,k,l)上的气味浓度值大于个体引导者Pi(j,k,l)的气味浓度值,则设置Pi(j+1,k,l)=θi(j+1,k,l);否则,保持个体引导者不变;
所述更新细菌θi的全局引导者的步骤为:细菌θi根据邻域细菌的气味浓度值信息,选择具有最大气味浓度的细菌位置作为其全局引导者。
6.根据权利要求1或2所述的基于改进细菌觅食算法的多机器人协作气味源定位方法,其特征在于,所述气味源确认阶段的方法为:如果机器人所在位置测得的气味浓度值均值大于设定阈值ε1,且机器人位置变化范围小于设定阈值ε2,则判断确定气味源的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510369152.3A CN105022406B (zh) | 2015-06-29 | 2015-06-29 | 基于改进细菌觅食算法的多机器人协作气味源定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510369152.3A CN105022406B (zh) | 2015-06-29 | 2015-06-29 | 基于改进细菌觅食算法的多机器人协作气味源定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105022406A true CN105022406A (zh) | 2015-11-04 |
CN105022406B CN105022406B (zh) | 2017-10-27 |
Family
ID=54412446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510369152.3A Expired - Fee Related CN105022406B (zh) | 2015-06-29 | 2015-06-29 | 基于改进细菌觅食算法的多机器人协作气味源定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105022406B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442879A (zh) * | 2016-09-10 | 2017-02-22 | 天津大学 | 用于三维环境中气味源方向指示的检测方法 |
CN106951956A (zh) * | 2017-03-14 | 2017-07-14 | 中国矿业大学 | 一种基于果蝇优化算法的多机器人气味源定位方法 |
CN108828140A (zh) * | 2018-04-26 | 2018-11-16 | 中国计量大学 | 一种基于粒子群算法的多无人机协同恶臭溯源方法 |
CN109540141A (zh) * | 2018-11-23 | 2019-03-29 | 北京科技大学 | 一种污染源定位移动机器人及污染源定位方法 |
CN109946432A (zh) * | 2019-01-30 | 2019-06-28 | 中国地质大学(武汉) | 一种基于改进细菌趋化算法的二维水污染源定位方法 |
CN111142387A (zh) * | 2020-01-09 | 2020-05-12 | 东南大学 | 基于改进粒子群算法的受限广义预测控制方法 |
CN111859688A (zh) * | 2020-07-27 | 2020-10-30 | 浙江量大智能科技有限公司 | 一种基于压抑心理函数的多飞行器协同追溯气味源方法 |
CN114755373A (zh) * | 2022-06-16 | 2022-07-15 | 西安工业大学 | 一种基于多机器人编队的空气污染源预警定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101413804A (zh) * | 2008-11-28 | 2009-04-22 | 天津大学 | 动态整合多种搜寻策略的气体泄漏源搜寻方法 |
CN102073981A (zh) * | 2011-02-23 | 2011-05-25 | 中国测绘科学研究院 | 一种关联要素限制下的点群地理实体选取方法 |
CN103278151A (zh) * | 2013-02-28 | 2013-09-04 | 中国矿业大学 | 一种动态烟羽环境下多机器人协作搜索气味源方法 |
CN103530709A (zh) * | 2013-11-04 | 2014-01-22 | 上海海事大学 | 一种基于细菌觅食优化方法的集装箱码头泊位和岸桥分配方法 |
CN103870317A (zh) * | 2012-12-10 | 2014-06-18 | 中兴通讯股份有限公司 | 云计算中的任务调度方法及系统 |
CN103942419A (zh) * | 2014-04-04 | 2014-07-23 | 南京邮电大学 | 一种混合智能优化方法 |
-
2015
- 2015-06-29 CN CN201510369152.3A patent/CN105022406B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101413804A (zh) * | 2008-11-28 | 2009-04-22 | 天津大学 | 动态整合多种搜寻策略的气体泄漏源搜寻方法 |
CN102073981A (zh) * | 2011-02-23 | 2011-05-25 | 中国测绘科学研究院 | 一种关联要素限制下的点群地理实体选取方法 |
CN103870317A (zh) * | 2012-12-10 | 2014-06-18 | 中兴通讯股份有限公司 | 云计算中的任务调度方法及系统 |
CN103278151A (zh) * | 2013-02-28 | 2013-09-04 | 中国矿业大学 | 一种动态烟羽环境下多机器人协作搜索气味源方法 |
CN103530709A (zh) * | 2013-11-04 | 2014-01-22 | 上海海事大学 | 一种基于细菌觅食优化方法的集装箱码头泊位和岸桥分配方法 |
CN103942419A (zh) * | 2014-04-04 | 2014-07-23 | 南京邮电大学 | 一种混合智能优化方法 |
Non-Patent Citations (2)
Title |
---|
LINO MARQUES等: "Particle swarm-based olfactory guided search", 《AUTON ROBOT》 * |
杨萍等: "基于细菌觅食区划算子的PSO算法", 《计算机应用研究》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442879A (zh) * | 2016-09-10 | 2017-02-22 | 天津大学 | 用于三维环境中气味源方向指示的检测方法 |
CN106442879B (zh) * | 2016-09-10 | 2018-09-28 | 天津大学 | 用于三维环境中气味源方向指示的检测方法 |
CN106951956A (zh) * | 2017-03-14 | 2017-07-14 | 中国矿业大学 | 一种基于果蝇优化算法的多机器人气味源定位方法 |
CN108828140A (zh) * | 2018-04-26 | 2018-11-16 | 中国计量大学 | 一种基于粒子群算法的多无人机协同恶臭溯源方法 |
CN109540141A (zh) * | 2018-11-23 | 2019-03-29 | 北京科技大学 | 一种污染源定位移动机器人及污染源定位方法 |
CN109946432A (zh) * | 2019-01-30 | 2019-06-28 | 中国地质大学(武汉) | 一种基于改进细菌趋化算法的二维水污染源定位方法 |
CN111142387A (zh) * | 2020-01-09 | 2020-05-12 | 东南大学 | 基于改进粒子群算法的受限广义预测控制方法 |
CN111142387B (zh) * | 2020-01-09 | 2022-08-09 | 东南大学 | 基于改进粒子群算法的受限广义预测控制方法 |
CN111859688A (zh) * | 2020-07-27 | 2020-10-30 | 浙江量大智能科技有限公司 | 一种基于压抑心理函数的多飞行器协同追溯气味源方法 |
CN114755373A (zh) * | 2022-06-16 | 2022-07-15 | 西安工业大学 | 一种基于多机器人编队的空气污染源预警定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105022406B (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105022406A (zh) | 基于改进细菌觅食算法的多机器人协作气味源定位方法 | |
CN103278151A (zh) | 一种动态烟羽环境下多机器人协作搜索气味源方法 | |
Dongshu et al. | Behavior-based hierarchical fuzzy control for mobile robot navigation in dynamic environment | |
CN107065859A (zh) | 多移动机器人的轨迹预测方法 | |
Gao et al. | Multi-mobile robot autonomous navigation system for intelligent logistics | |
CN109116849A (zh) | 一种考虑无人艇运动性能的零空间行为融合在线优化方法 | |
CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
Che et al. | Research on improved ACO algorithm-based multi-robot odor source localization | |
Zhang et al. | Safe and efficient robot manipulation: Task-oriented environment modeling and object pose estimation | |
Rahbar et al. | A distributed source term estimation algorithm for multi-robot systems | |
CN110209167A (zh) | 一种实时的完全分布式的多机器人系统编队的方法 | |
Ruddick et al. | Design and performance evaluation of an infotaxis-based three-dimensional algorithm for odor source localization | |
CN112405547B (zh) | 未知环境下的群机器人多目标搜索方法 | |
Afaghani et al. | On-line collision detection of n-robot industrial manipulators using advanced collision map | |
Sheng et al. | An improved artificial potential field algorithm for virtual human path planning | |
CN114200920A (zh) | 路径规划方法、装置及控制系统 | |
Baranzadeh | A decentralized control algorithm for target search by a multi-robot team | |
Renawi et al. | ROS validation for non-holonomic differential robot modeling and control: Case study: Kobuki robot trajectory tracking controller | |
Marques et al. | Cooperative odour field exploration with genetic algorithms | |
CN115790600A (zh) | 一种基于数字孪生的机器人大范围长期巡检任务覆盖策略的算法 | |
Gao et al. | A novel local path planning method considering both robot posture and path smoothness | |
CN104914219A (zh) | 基于矩阵半张量积的机器人气体泄漏源定位方法及系统 | |
Wei et al. | Multi-Robot gas-source localization based on reinforcement learning | |
Supakar et al. | PSO obstacle avoidance algorithm for robot in unknown environment | |
Afaghani et al. | On-line collision avoidance of two command-based industrial robotic arms using advanced collision map |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
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: 20171027 Termination date: 20180629 |