CN105277593A - 一种基于移动机器人的室内气味源定位方法 - Google Patents

Abstract

本发明公开了一种基于移动机器人的室内气味源定位方法，移动机器人选用飞思卡尔小车为移动平台，搭建扩展处理器模块、传感器模块、和电源模块。使用遇边界折回的Z字形算法进行烟羽发现，使用改进的加权矢量引导算法进行烟羽跟踪，最后使用简化版质量通量散度法进行气味源确认。根据本发明的方法，可以高效率地实现室内气味源定位。

Description

一种基于移动机器人的室内气味源定位方法

技术领域

本发明涉及机器人智能领域，特别涉及一种基于移动机器人的室内气味源定位方法。

背景技术

机器人气味源定位是机器人寻源问题，又称为机器人主动嗅觉。自上世纪九十年代开始，一些学者从自然界生物依靠嗅觉找配偶、搜寻食物、躲避天敌等生活习性中受到启发，将气味传感器与移动的机器相结合，“主动”的对气味源进行定位，就是使用移动机器人，以主动的形式发现、跟踪烟羽并确定位置对气味源定位的过程。烟羽是指气味/气体分子从源头被释放出之后，在风的作用下其扩散的轨迹像羽毛一样在空气中飘扬。气味源定位的应用广泛地存在于生产生活中，特别是在恶劣环、有毒(污染)、存在易爆易燃品等危险环境中，辅助人类完成复杂与危险任务，例如，寻找有毒气体泄漏源、灾难中搜寻伤员、检查违禁物品以及进行反恐排爆等。考虑到实际情况，室内机器人的主动嗅觉很有意义，因为气味源定位多用于排除危险的有害气体，在室内环境中，有害气体的扩散较慢，滞留时间长，对室内气味源的定位方法研究是至关重要的。

气味源定位分为烟羽发现、烟羽跟踪和气味源确认三大部分，机器人开始工作时可能不在烟羽覆盖区域，则检查不到气味信息，机器人从非烟羽覆盖区域到烟羽覆盖区域的过程为烟羽发现；从烟羽覆盖区域到气味源附近的过程为烟羽跟踪；最后，确定气味源位置的过程为气味源确认。烟羽跟踪与确认的过程比较复杂，是气味源定位的重点与难点，现有的定位方法通常比较复杂，效率不高，在危险状态下不能快速定位。

发明内容

为了解决气味源定位复杂的问题，本发明提出了一种基于移动机器人的室内气味源定位方法，移动嗅觉机器人选用基于飞思卡尔小车为移动平台，搭建扩展处理器模块、传感器模块、和电源模块。使用遇边界折回的Z字形算法进行烟羽发现，使用改进的加权矢量引导算法进行烟羽跟踪，最后通过质量通量散度法进行气味源确认。

附图说明

图1：移动嗅觉机器人系统框图。

图2：气味传感器系统结构图。

图3：本发明气味源的定位流程。

图4：实验室场景布置。

具体实施方式

参见图1，本发明的移动嗅觉机器人主要包括CPU控制模块、车体机械模块、传感器模块、电机控制模块和电源管理模块。

车体机械模块采用飞思卡尔小车，飞思卡尔小车拥有良好的机动性能，选择合适的处理器就能够处理嗅觉定位问题。本发明采用飞思卡尔小车做为移动平台载体，扩展了处理器模块、传感器模块、和电源模块。

电机控制模块用于控制和驱动小车，电机控制模块选用直流电动机，为单驱动小车，驱动方式选用最为常见的定频脉宽调制(PWM)。电源模块用于给机器人各个模块供电。

CPU控制模块是嗅觉机器人控制的核心，负责外部信号的数据处理以及决策算法的实现。本系统选用的处理器为飞思卡尔的S12xs系列的16位微控制器，用于实现数据或程序存储。

传感器模块的传感器主要有：气味传感器、避障传感器和风速风向传感器，此外还有机器人行走速度传感器、机器人行走角度传感器等。

气味传感器也就是所谓的电子鼻，目的是在功能和结构上模拟生物个体的嗅觉系统，能够做到气体或气味的定性定量识别，图2是电子鼻系统结构图。本发明实施例以酒精作为对象，定位酒精气味的来源，选用半导体气味传感器作为酒精气味传感器。

本发明有三个酒精气味传感器，其中两个分别安装于小车主动轮的两侧，第三个安装于小车的正前方。安装在主动轮位置的是为了小车能够根据酒精气味传感器采集的信息及时准确的做出动作。小车正前方的传感器作用一是跟另外两个传感器实现浓度梯度算法；二是决定小车目前的工作状态。

由于气体的扩散是不间断的，所以气味传感器提供的数据不能直接使用。本发明对传感器所采集数据进行二值化处理，常用的处理方法是固定浓度阈值法，但是当风速较大，气流速度较快，传感器接触烟羽的时间往往很短，这时，固定浓度阈值法就很难起到效果，因此本发明提出加权累加法，可表示为：

$\stackrel{\‾}{c}\left(t_k\right)=\frac{\underset{i=1}{\overset{n}{\Σ}}{c}_{ki}{\mathrm{\λ}}_{ki}}{n}$

为t_k时间段内的烟羽浓度，在t_k时间段内，气味传感器器在n个点读取气味浓度值，获得n个值c_ki，对其值累加，λ_ki为各点浓度值的权重，其值跟机器人的移动速度成反比，其中i＝1,2,……,n。

避障传感器也就是测距传感器，本发明选用超声波传感器作为测距传感器，型号是URF04，该模块性能稳定，测度距离精确，盲区为2cm，精度可达0.3cm，探测距离为2cm-450cm。本发明有三个超声波传感器，其中两个分别安装于小车前轮的两侧，一个安装于小车头部前中央处。当机器人开始行走时，超声波只向正前方发送脉冲，当发现障碍物时，超声波传感器进行扇形扫描，根据扫描结果，通过余弦定理计算，可以判断障碍物的水平方向的大小半径，当障碍物的半径超过5cm时，认为前方障碍物为边界，不再进行扫描判断，改为发送正向脉冲，判断是否与障碍物的距离小于15cm，小于15cm小车90度方向掉头。当扫描发现障碍物的半径没有超过5cm，在扫描障碍物特征消失时，立即反方向扫描，确定障碍物目标，认为该障碍物为可疑气味源。

风速风向传感器可以测量风向和风速，输出电压或电流信号，还能支持RS485总线，本发明选用电压型输出信号。

图3是本发明气味源的定位流程，定位流程主要包括烟羽发现、烟羽跟踪和气味源确认三个过程，启动机器人到发现气体浓度阈值A为烟羽发现阶段，然后进行烟羽跟踪到发现气体浓度阈值B，最后进行气味源确认。

1.烟羽发现

烟羽发现过程是机器人从启动开始到发现烟羽之前的过程，在此过程中，需要用最短时间发现烟羽的痕迹，所以关于该过程算法的设计要满足尽可能短的时间能够搜索更多的区域，本发明的机器人使用遇边界折回的Z字形算法进行烟羽发现，在机器人行进过程中，气味传感器不断检测气体浓度，将气体浓度信息传输给CPU控制模块，当检测到的气体浓度达到阈值A时，CPU控制模块确定发现烟羽，进入烟羽跟踪阶段。遇边界折回的Z字形算法是本领域的公知算法，此处不再赘述。

2.烟羽跟踪

烟羽跟踪使用能够利用风向信息和气味浓度梯度信息的改进加权矢量引导算法其标准的公式为：

$d_{ix}=a.\frac{\∂q}{\∂t}-D.cos\left(arctan\right(\frac{v_{iy}}{v_{ix}+\mathrm{\ϵ}}\left)\right)$

$d_{iy}=a.\frac{\∂q}{\∂t}-D.sin\left(arctan\right(\frac{v_{iy}}{v_{ix}+\mathrm{\ϵ}}\left)\right)$

在进入烟羽跟踪阶段后，机器人CPU控制模块首先建立一个室内的X-Y轴坐标系，通过上述两个公式决定小车的运动，烟羽跟踪可以分为连续的多个阶段，d_ix和d_iy是第i个阶段机器人在x轴和y轴方向运动分量，机器人根据上述两个运动分量行走完后，就进入第i+1个阶段，然后重新根据上述两个公式计算运动分量，如此重复，直到烟羽跟踪阶段结束。其中，a为气体浓度梯度权重，q为气体实时浓度，t为烟羽跟踪进行的时间，D为机器人步长，v_iy和v_ix分别为风速y轴和x轴方向的分量。ε为一个很小的值，本发明取最小有效风速的十分之一。

a是一个变量，当浓度值较小时，风速信息起主导作用，a一般取较小值，有助于机器人快速追踪烟羽，当浓度较高或者浓度梯度变化较大时，a值取较大值，以防止机器人逆风丢失烟羽。

烟羽跟踪过程中，在浓度较小浓度梯度不明显的时刻，风速起主导作用，能加快搜索过程。但是当快要到达气味源附近时，风速信息不做处理，很容易就错过气味源，这时浓度梯度一般较为明显，浓度值接近气味源浓度极值，此时应以浓度梯度信息为主导，基于此本发明进一步提出一种改进算法：

$d_{ix}=a.\frac{\∂q}{\∂t}-b.D.\frac{\cos \left(\arctan \frac{v_{iy}}{v_{ix}+\mathrm{\ϵ}}\right)}{\frac{1}{abs(0.15-g_i)}+1}$

$d_{iy}=a.\frac{\∂q}{\∂t}-b.D.\frac{sin\left(arctan\frac{v_{iy}}{v_{ix}+\mathrm{\ϵ}}\right)}{\frac{1}{abs(0.15-g_i)}+1}$

其中，b是风速信息权重，g_i是预定义的第i个阶段的阈值，abs是绝对值函数。

为了更好的进行追踪，a和b都是基于实时气体浓度的变量，因此本发明进一步提出了两个权重的计算方法，在第i个阶段，根据下述公式计算两个权重：

a＝q/(g_i+M)

b＝g_i/(q+M)

其中，M是一个预定义的阈值。

根据本发明的一个实施例，在机器人跟踪烟羽的过程中，可以建立一个定长矩阵A，用于实时保存机器人的位置、烟羽浓度值。当该矩阵数据填满时，根据浓度信息按从大到小的顺序重新排序该矩阵，再建立一定长矩阵B，提取矩阵A的第一例数据保存到B中，然后清空矩阵A，当矩阵B数据填满时，勾画矩阵B中的位置信息，如果靠后的若干点集中在同一个高浓度区域，则说明气味源处于该区域中，从而可以对该区域搜索障碍物，进行气味源确认。

3.气味源确认

气味源确认是气味源定位的最后阶段，所谓的气味源确认是指通过某种策略或算法，判断气味源是否就在附近。一般在烟羽跟踪过程中发现了某个可疑极值点就开始执行该步骤。本发明提出了简化版质量通量散度法进行气味源确认，公式为：

$\mathrm{\Φ}=\underset{i=1}{\overset{n}{\Σ}}{\stackrel{\→}{v}}_i\frac{2\mathrm{\π}d}{n}{C}_i$

式中，为第i个点风向和小车障碍物连线的夹角，n为气味源判断采集的点数，C_i(i＝1,2,……,n)为第i个点的气体浓度值，d是机器人步长。因为气味源本身就是一个障碍物，所以当机器人跟踪烟羽过程中满足以下两个条件：一是气味源传感器处理过的数据高于设定阈值；二是小车安装的避障传感器发现近距离障碍物时。然后开始执行以下过程：

(1)传感器浓度大于设定阈值，小车发现近距离障碍物(距离小于10cm)，停止行动，掉头朝向障碍物。

(2)然后尽量保持小车与障碍物的距离不变，做近似圆周运动，小车每约走10cm，停5s，在该点记录气体浓度值，再走，如此重复，记录n个点，停止。

(3)根据简化版质量通量散度法，代入n个点的值，进行计算判断。如果结果大于0，认为发现该障碍物为气味源，否则任务失败。

应用实例：本发明选择实验室环境是：实验室内部约3×3m区域，室内风场有风扇产生，室外无风或微风，打开中间一个窗户，实验气体为酒精度为95度医用酒精，成放酒精的瓶子直径约为5cm，瓶子口用纸封闭，开口可调，用于调节出口气体流量。实验室温度用空调控制，设置为25摄氏度。实验场景如图3所示。

气味源打开5分钟后，开始实验，结果如下表所示：

结果分析：气味源开口较小时，气体流出量较小，在有风条件下，空气中的烟羽浓度值较低，有传感器灵敏度问题，小车难以采集有效的浓度值，持续跟踪烟羽，小车跟踪过程中多次出现烟羽再跟踪过程，所以时间较长。当气味源开口较大时，空气中烟羽轨迹较好浓度较高，烟羽应较为连续，便于小车跟踪，随着浓度的增高，烟羽再发现过程也消失不见。以上实验间隔时间大约30分钟。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (4)

1.一种基于移动机器人的室内气味源定位方法，其特征在于，该机器人采用飞思卡尔小车作为载体，并安装有气味传感器、避障传感器、风速风向传感器、机器人行走速度传感器、机器人行走角度传感器等；其中气味传感器至少有三个，两个气味传感器分别安装于小车主动轮两侧，第三个气味传感器安装于小车正前方，通过三个气味传感器可以检测散发该气味的气体的浓度梯度；该方法的具体步骤包括：

1)烟羽发现过程；所述机器人在其启动后，使用遇边界折回的Z字形算法行进，在行进过程中，所述气味传感器不断检测所述气体的浓度，当检测到的气体浓度达到预定阈值A时，确定发现烟羽，进入烟羽跟踪过程。

2)烟羽跟踪过程；所述机器人建立一个室内的X-Y轴坐标系，将烟羽跟踪过程分为连续的多个阶段，在第i个阶段所述机器人在X轴和Y轴方向运动分量分别为d_ix和d_iy；具体的公式为：

$d_{ix}=a.\frac{\∂q}{\∂t}-b.D.\frac{\cos \left(\arctan \frac{v_{iy}}{v_{ix}+\mathrm{\ϵ}}\right)}{\frac{1}{abs(0.15-g_i)}+1}$

$d_{iy}=a.\frac{\∂q}{\∂t}-b.D.\frac{sin\left(arctan\frac{v_{iy}}{v_{ix}+\mathrm{\ϵ}}\right)}{\frac{1}{abs(0.15-g_i)}+1}$

机器人根据上述两个运动分量行走完后，就进入第i+1个阶段，然后重新根据上述两个公式计算运动分量，如此重复，直到烟羽跟踪过程结束；其中，a为气体浓度梯度权重，q为气体实时浓度，t为烟羽跟踪进行的时间，D为机器人步长，v_iy和v_ix分别为风速在Y轴和X轴方向的分量，b是风速信息权重，g_i是预定义的第i个阶段的阈值，ε是最小有效风速的十分之一；当气味传感器检测到的气体浓度高于预定阈值B，并且避障传感器发现近距离障碍物时，烟羽跟踪过程结束，进入气味源确认过程；

3)气味源确认过程；机器人保持与所述障碍物距离不变，做圆周运动，机器人每走一段距离，就停留在一个点一段时间，记录该点的气体浓度以及风向和小车障碍物连线的夹角，再继续走，如此重复，分别记录各个点的气体浓度C_i和所述夹角然后机器人计算下述公式：

$\mathrm{\Φ}=\underset{i=1}{\overset{n}{\Σ}}\stackrel{\→}{v_i}\frac{2\mathrm{\π}d}{n}{C}_i$

其中，d是机器人步长，n为气味源判断采集的点数；如果φ>0，则确认该障碍物为气味源，否则报告气味源确认失败。

2.如权利要求1所述的方法，其特征在于，在机器人跟踪烟羽的过程中，建立一个定长矩阵A，用于实时保存机器人的位置、烟羽浓度值，当该矩阵A数据填满时，根据浓度信息按从大到小的顺序重新排序该矩阵，再建立一定长矩阵B，提取矩阵A的第一例数据保存到B中，然后清空矩阵A，当矩阵B数据填满时，勾画矩阵B中的位置信息，如果靠后的若干点集中在同一个区域，则说明气味源处于该区域中，从而对该区域搜索障碍物，进行气味源确认。

3.如权利要求1-2任意一项所述的方法，其特征在于，a＝q/(g_i+M)，b＝g_i/(q+M)。

4.如权利要求1-3任意一项所述的方法，其特征在于，所述气味传感器是半导体气味传感器。