CN105425794A - 一种移动机器人寻找放射源轨迹的方法 - Google Patents

Abstract

一种移动机器人寻找放射源轨迹的方法，本发明涉及移动机器人寻找放射源轨迹的方法。本发明的目的是为了解决现有基于梯度信息的声源搜寻算法不适用于放射源搜寻、不适合安装于小型移动机器人上行走、成本高、效率低的问题。具体过程为：步骤一、将目标所在位置区域离散化，得到8个邻域，根据离散化结果设计最优函数，根据最优函数计算出8个邻域中的最大值；步骤二、目标移动到8个邻域中的最大值所在的点，重复执行步骤一，获得一条寻源轨迹。本发明应用于机器人寻源领域。

Description

一种移动机器人寻找放射源轨迹的方法

技术领域

本发明涉及移动机器人寻找放射源轨迹的方法。

背景技术

移动机器人对于气味源的搜寻方法研究分为两个阶段，前一阶段研究者多采用生物启发式方法，后一阶段开始发展出工程类方法。在寻源算法的研究方面，当前的气味源搜寻算法不适合移植到放射源搜寻中。首先，气味源搜寻算法均通过发现并跟踪烟羽实现寻源，而放射源形成的辐射场中并不存在类似烟羽的物质。其次，高效的搜寻算法均需要利用风向信息，而辐射场的分布并不根据风向而改变。通常在小型移动机器人的结构尺寸所占据的范围中核辐射强度变化并不明显，受放射性物质传感器本身性能所限，目前还无法制造出可远距离高精度检测辐射强度的传感器，因此基于梯度信息的声源搜寻算法不适用于放射源搜寻。

在放射源定位方法方面，康普顿成像仪体积庞大，不具备移动测量的可行性，对于立体视觉成像法和三维图像重建法，虽然目前已有小型移动式γ相机，但其体积也较大，不适合安装于小型移动机器人上行走。

发明内容

本发明的目的是为了解决现有基于梯度信息的声源搜寻算法不适用于放射源搜寻、不适合安装于小型移动机器人上行走、成本高、效率低的问题，而提出一种移动机器人寻源方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、将目标所在位置区域离散化，得到8个邻域，根据离散化结果设计最优函数，根据最优函数计算出8个邻域中的最大值；

步骤二、目标移动到8个邻域中的最大值所在的点，重复执行步骤一，获得一条寻源轨迹。

发明效果

采用本发明的一种移动机器人寻找放射源轨迹的方法，本专利借鉴气味源的搜寻方法，只采用一个传感器，成本低，传感器体积小，便于安装在小型移动机器人上，适用于放射源搜寻；

现在已有的气味源搜寻算法都要利用风向信息，控制机器人沿着逆风方向跟踪烟羽；现有的火源和声源的搜寻算法则大多采用多个传感器测出温度或声强的梯度方向，这样的方法成本高、效率低。由于放射源的辐射分布不会根据风向信息改变，而且在距离放射源较远处，测量小间距的多点辐射强度值无法得到辐射强度梯度方向，但是本专利涉及的传感器受自然环境干扰较小，而且在远距离测量场强的过程中能够利用本专利提出的模型对未知点进行辐射强度估计。

建立基于高斯过程回归的最优化函数，通过解决一个最优化问题指导机器人在邻域中选择最优点作为机器人下一步的路径点，通过多次解决局部最优化问题获得全局的最优解。解决了现有基于梯度信息的声源搜寻算法不适用于放射源搜寻以及不适合安装于小型移动机器人上行走的问题，精度高，效率高。

附图说明

图1为收索区域离散化示意图；

图2为目标A点的邻域示意图；

图3为寻源轨迹流程图；

图4为实物仿真实验环境图；

图5为离散化的计算机仿真环境图；

图6a为机器人从环境右上角(975,975)出发搜寻在(230,920)位置放射源结果图；

图6b为机器人从环境右上角(975,975)出发搜寻在(140,570)位置放射源结果图；

图6c为机器人从环境右上角(975,975)出发搜寻在(80,220)位置放射源结果图；

图6d为机器人从环境右上角(975,975)出发搜寻在(330,90)位置放射源结果图；

图7a为机器人从环境右下角(975,25)出发搜寻在(120,950)位置放射源结果图；

图7b为机器人从环境右下角(975,25)出发搜寻在(170,630)位置放射源结果图；

图7c为机器人从环境右下角(975,25)出发搜寻在(200,100)位置放射源在结果图；

图7d为机器人从环境右下角(975,25)出发搜寻在(930,920)位置放射源结果图；

图8a为从(975,975)开始搜寻位于(80,220)处放射源过程中GPR对真实辐射场分布的估计图；

图8b为从(975,975)开始搜寻位于(80,220)处放射源过程中GPR对第1步预测辐射场分布的估计图；

图8c为从(975,975)开始搜寻位于(80,220)处放射源过程中GPR对第20步预测辐射场分布的估计图；

图8d为从(975,975)开始搜寻位于(80,220)处放射源过程中GPR对第37步预测辐射场分布的估计图；

图9为实物仿真实验环境图；

图10为离散化的实物仿真实验环境图；

图11a为实验用机器人图；

图11b为实验用仿真辐射源图；

图12a为机器人在真实实验环境图；

图12b为WiFi信号发射器所处位置图；

图13a为机器人从搜寻起始点1出发的搜寻开始实验过程图；

图13b为机器人从搜寻起始点1出发的搜寻前期实验过程图；

图13c为机器人从搜寻起始点1出发的搜寻中期实验过程图；

图13d为机器人从搜寻起始点1出发的搜寻后期搜寻结果实验过程图；

图13e为机器人从搜寻起始点1出发的搜寻结果实验过程图；

图14a为机器人从搜寻起始点2出发的搜寻开始实验过程图；

图14b为机器人从搜寻起始点2出发的搜寻前期实验过程图；

图14c为机器人从搜寻起始点2出发的搜寻中期实验过程图；

图14d为机器人从搜寻起始点2出发的搜寻后期搜寻结果实验过程图；

图14e为机器人从搜寻起始点2出发的搜寻结果实验过程图。

具体实施方式

具体实施方式一：结合图1、2、3说明本实施方式，本实施方式的一种移动机器人寻找放射源轨迹的方法，具体是按照以下步骤制备的：

步骤一、将目标所在位置区域离散化，得到8个邻域，根据离散化结果设计最优函数，根据最优函数计算出8个邻域中的最大值；

步骤二、目标移动到8个邻域中的最大值所在的点，重复执行步骤一，获得一条寻源轨迹；寻源轨迹为移动机器人寻找放射源轨迹。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中将目标所在位置区域离散化，得到8个邻域，根据离散化结果设计最优函数，根据最优函数计算出8个邻域中的最大值；具体过程为：

使用地面移动机器人进行放射源的搜寻，最重要的就是给机器人设计合适的人工智能寻源算法。

首先，搜索区域的离散化。连续的搜索空间存在问题的无限多组解，为缩小问题的解空间并加快搜寻，同时使每次辐射强度的测量能得出有价值的不同结果，有必要将连续的空间离散化；

采用边长为l_c的正方形栅格将连续的搜索区域分割为离散化的搜索区域，l_c为正方形栅格的边长，l_c的大小根据放射源的搜寻所需的精确度以及机器人的尺寸来确定，为人为设定(比如要求收索精度在1m以内，l_c的取值为1m)，在搜索过程中，机器人在正方形栅格的中心点处进行位置点坐标的记录(x，y)和辐射强度值的检测；

假定搜索区域为一个矩形的二维环境，其长度和宽度分别为L_x和L_y，长度为x轴方向，宽度为y轴方向，则x轴和y轴方向划分的栅格数M、N分别为：

M＝ceil(L_x/l_c)

(6)

N＝ceil(L_y/l_c)

式中，ceil()为取不小于自变量的最小整数，自变量为L_x/l_c或L_y/l_c，L_x为矩形二维环境的长度，L_y为矩形二维环境的宽度，M取值范围为正整数，N取值范围为正整数；图1为搜索区域的离散化示意图；

当机器人处在离散化的搜索区域中某一点时，其下一步的目标点为其邻域中的一个点，定义机器人所在位置的邻域为其所在栅格周围8个栅格的中心点，得到8个邻域，根据离散化结果设计最优函数，根据最优函数计算出8个邻域中的最大值。如图2所示，A点为机器人所在位置点，其他黑色小圆点为A点的邻域。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述辐射强度值的检测根据公式1计算得出：

U(x_i)＝u₁(x_i)u₂(x_i)u₃(x_i)(i＝1,2,…,8)(1)

其中，

$u_1\left(x_i\right)=\mathrm{\ρ}\left(x_i\right)\mathrm{\μ}\left(x_i\right)+\frac{\mathrm{\β}\left(x_i\right)}{2}{\mathrm{\σ}}^2\left(x_i\right)---\left(2\right)$

$u_2\left(x_i\right)=\frac{1}{n\left(x_i\right)+1}---\left(3\right)$

式中，U(x_i)为辐射强度值；

u₁(x_i)为x_i点辐射强度值大小

u₂(x_i)为x_i能给高斯栅格提供的信息量；

u₃(x_i)为可否进入栅格，为1时可进入，为0时不能进入；

ρ(x_i)为均值的参数；

为协方差的参数；

μ(x_i)为高斯过程回归所得x_i点的均值；

σ²(x_i)为高斯过程回归所得x_i点的方差；

n(x_i)为机器人经过x_i点所在栅格的次数；

当机器人所在位置场强远小于E₀时，机器人趋向于朝信息量更大处行走，而当机器人所在位置场强接近于E₀时，机器人趋向于朝场强更大处行走。这样设计目标函数，有利于机器人在搜寻初期探索更多的未知区域，而到搜寻后期快速接近放射源所在处；

$\mathrm{\ρ}\left(x_i\right)=\frac{\mathrm{\μ}\left(x_A\right)}{E_0}$

$\mathrm{\β}\left(x_i\right)=1-\frac{\mathrm{\μ}\left(x_A\right)}{E_0}---\left(5\right)$

式中，μ(x_A)为高斯过程回归所得目标点x_A的均值，E₀为人为设置的场强参考值。

其它步骤及参数与具体实施方式一至二之一相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述8个邻域中的最大值的公式为：

$x_i=\arg \underset{x_i}{max}U\left(x_i\right),(i=1,2,...,8)---\left(7\right)$

式中，x_i为邻域中的点的笛卡尔坐标，x_i＝[x_i,y_i]，将辐射强度值U(x_i)作为目标函数；x_i为邻域坐标点，y_i为邻域坐标点。

目标函数由三个函数u₁(x_i)、u₂(x_i)、u₃(x_i)的乘积构成，其中u₁(x_i)由高斯过程回归得出，u₁(x_i)中用μ(x_i)描述了x_i点辐射强度值的大小，用σ²(x_i)描述了x_i点辐射强度的不确定度，该不确定度的大小表示x_i点加入训练集后将给高斯过程回归带来的信息量的大小；当机器人所在位置场强远小于E₀时，机器人趋向于朝信息量更大处行走，而当机器人所在位置场强接近于E₀时，机器人趋向于朝场强更大处行走。这样设计目标函数，有利于机器人在搜寻初期探索更多的未知区域，而到搜寻后期快速接近放射源所在处。

u₂(x_i)由机器人走过x_i点处所在栅格的次数计算得出，式3从另一个角度描述了x_i栅格能给高斯过程回归提供的信息量。由式3可知，机器人走过x_i栅格的次数越多，则u₂(x_i)值越小，相应的，x_i点成为目标点的可能性也就越小；

u₃(x_i)由x_i点处所在栅格可否进入来确定。当x_i点处所在栅格有障碍物时定义该栅格不可进入，相应的，u₃(x_i)值始终为0。当x_i点处所在栅格无障碍物时定义该栅格可以进入，相应的，u₃(x_i)值始终为1。通过u₃(x_i)，机器人实现了避障。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤二中目标移动到步骤一得出的8个邻域中的最大值所在的点，重复执行步骤一，获得一条寻源轨迹；具体过程为：

步骤二一、获得一条寻源轨迹后，控制循环开始前，给定机器人的初始位置坐标(x₁,y₁)，初始位置坐标(x₁,y₁)是已知的，机器人将其记录于二维数组X中；

步骤二二、控制循环开始后，机器人检测其所在点的辐射强度值E₁，并将其记录于一维数组E中，由此得到训练集[X,E]，该训练集被用来训练公式1，训练后使用高斯过程回归计算邻域中每一个点的辐射强度均值和辐射强度方差；

步骤二三、机器人通过遍历二维数组X得到邻域中各点的笛卡尔坐标x_i(i＝1,2,…,8)在X中出现的次数，获得经过邻域中各个点的次数n(x_i)(i＝1,2,…,8)，然后根据式(11)计算u₂(x_i)(i＝1,2,…,8)(11)；

步骤二四、机器人通过激光雷达等传感器检测邻域各栅格中是否有障碍物，由此根据式(12)计算

u₃(x_i)(i＝1,2,…,8)(12)；

步骤二五、根据式1计算目标函数U(x_i)(i＝1,2,…,8)的值，采用枚举法求解式7中8个邻域中的最大值，获得下一步的目标点x_*；

步骤二六、机器人移动到x_*点，检测x_*点处的辐射强度值E_*，获得新的训练集样本(x_*,E_*)；

步骤二七、判断新检测到的辐射强度值E_*是否大于设定的E₀，若小于E₀则执行步骤二一，直至放射源搜寻成功，若大于E₀则停止循环，表示放射源搜寻成功。

寻源算法利用了香浓所提出的信息熵。对于一个事件，已经了解到的信息越少则其不确定度越大，相应的其信息熵越高，把这一事件搞清楚所需要的信息量也就越大。因此，信息熵是一个对事件所含信息的定量描述。

在本文的应用中，放射源所在位置是一个事件，机器人邻域内的8个点可以给确定该事件提供价值不等的信息，即各点有不一样的信息熵，各点的信息熵由各点辐射强度值的不确定度描述，该不确定度由高斯过程回归的方差σ²给出。

由于利用了信息熵，所提出的算法使机器人在距离放射源较远时，趋向于向信息熵较大的地方走，而当距离放射源较近时，趋向于向场强较大的地方走，由此使得机器人在搜寻初期能够探索更多的未知区域，而在搜寻后期快速接近放射源。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤二二中机器人检测其所在点的辐射强度值E₁，并将其记录于一维数组E中，由此得到训练集[X,E]，该训练集被用来训练公式1，训练后使用高斯过程回归计算邻域中每一个点的辐射强度均值和辐射强度方差；具体过程为

训练后使用高斯过程回归根据式(8)和式(9)分别计算邻域中每一个点的辐射强度均值和辐射强度方差；

邻域中每一个点的辐射强度均值为μ(x_i)(i＝1,2,…,8)(8)

辐射强度方差为σ²(x_i)(i＝1,2,…,8)(9)

然后根据式(10)计算出u₁(x_i)(i＝1,2,…,8)(10)。

其它步骤及参数与具体实施方式一至五之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例的一种移动机器人寻找放射源轨迹的方法，具体是按照以下步骤制备的：

计算机仿真实验设置

计算机仿真实验环境如图4所示，该环境为一个10m×10m的室内环境，环境中有多堵24cm厚的普通混凝土墙，这些墙会对γ射线产生衰减效果。取栅格的边长l_c为50cm对环境进行离散化，用白色填充无障碍物栅格，黑色填充有障碍物栅格，得到图5所示的栅格化环境。在该环境中，将机器人简化为一个点，其可到达的位置为正方形栅格的中心点。

在上述离散化的环境中建立虚拟γ射线辐射场，设置右上角(975,975)和右下角(975,25)两个点作为机器人进入搜索区域的入口。为使机器人能探索搜索环境中更多未知区域，将搜索环境中离搜索起始点最远的一点作为假想放射源所在点，该点的笛卡尔坐标(x₀,y₀)设定为均值函数的初始超参数，即机器人从(975,975)处开始搜寻时，均值函数的初始超参数为(1,1)；机器人从(975,25)处开始搜寻时，均值函数的初始超参数为(1,999)。

计算机仿真实验结果

图6a、图6b、图6c、图6d所示为机器人从(975,975)处开始搜寻位于不同点处的放射源的结果，图7a、图7b、图7c、图7d所示为机器人从(975,25)处开始搜寻位于不同点处的放射源的结果，图中折线为机器人走过的轨迹，方框为放射源所在的位置，每幅图都是机器人搜寻一个放射源的完整过程。从图中可以看处，对位于环境中不同位置处的放射源，机器人都能以较少的步数搜寻成功。

如图8a、图8b、图8c、图8d所示，圆圈为机器人走过的路径点，可以看出，随着机器人的行走，训练集不断扩大，高斯过程回归对辐射场分布的估计越来越准确。求图8d和图8a结构相似度，结果为0.8409，说明第37步的预测场强分布图已经与真实场强分布图有相当大的相似度。

表120组仿真实验结果

表1给出了20组仿真实验的结果，其中1号出发点为(975,975)，2号出发点为(975,25)。由该表的数据可以得出，从1点出发搜寻放射源平均需要36.6步，从2点出发搜寻放射源平均需要39.2步。该离散化的仿真环境由400个栅格组成，其中可以行走的栅格为350个，由此可见，实际行走的路径远远小于环境的栅格数。由此可知，所提的算法为一个有效的寻源算法。

实施例二

实物仿真实验设置

实物仿真实验环境为一个300m×200m的室外环境，如图9所示，图中白色部分为道路，是机器人的可行域，灰色、绿色和蓝色部分是建筑物、树丛以及河流等阻挡物，是不可通行的区域。黑色圆点处为辐射源所在位置，三角形处为两次实验中机器人的两个不同初始位置。

用l_c＝6m的正方形栅格对地图进行栅格化，得到58×40格的离散化搜索区域，如图10：实物仿真实验所用机器人为实验室研制的TJ-1机器人，如图11a机器人和图11b仿真辐射源。

机器人本体载有1台PC机作为上位机，WiFi信号接收器(TL-WN722N)作为辐射强度检测仪，GPS定位器(UbloxNEO-M8N，定位精度2m)用于机器人定位。仿真辐射源是TL-WDR6500无线路由器，该路由器产生的辐射为2.4GHz的电磁波。

由于房屋、树木和草丛对WiFi信号的阻挡，实验模拟了γ射线被墙体衰减的现象，机器人只能在白色栅格行走，展示了真实的需要避障的环境。真实实验环境和WiFi信号发射器所处位置如图12a、图12b所示。

实验中以机器人所在栅格的笛卡尔坐标值作为训练集的自变量，以接收到的WiFi信号强度的百分比作为辐射强度值，该值按照-10dBm对应100％，-90dBm对应0％进行换算。该百分比值作为训练集的因变量，辐射强度的阈值设定为60％,即-42dBm。机器人从搜寻起始点1开始搜寻时，假定放射源位于搜索区域的右下角，此时均值函数中的初始超参数为(58,0)。机器人从搜寻起始点2开始搜寻时，假定放射源位于搜索区域的右上角，此时均值函数中的初始超参数为(58,40)。实物仿真实验结果

机器人从搜寻起始点1开始搜寻搜寻辐射源的过程如图13a、图13b、图13c、图13d、图13e所示。机器人从搜寻起始点2开始搜寻搜寻辐射源的过程如图14a、图14b、图14c、图14d、图14e所示。图片分为三部分，左侧的是实验环境地图和GPS数据，中间是机器人上安装的摄像头拍摄的图像，右侧是在栅格化的环境中高斯过程回归对整个搜索区域的辐射强度分布的预测。

图13a和图14a为搜寻开始状态，此时机器人获得第一个训练集样本，开始高斯过程回归和局部轨迹规划。图13b和图14b为搜寻的前期，机器人向假想的放射源所在处前进。图13c和图14c为搜寻的中期，机器人在探索更多的未知区域。图13d和图14d为搜寻的后期，机器人在获得了足够大的训练集后，迅速靠近辐射源。图13e和图14e为搜寻的结果，机器人最终停留在辐射源所在栅格中。这两次实物仿真实验证明了所提寻源算法的有效性。

由高斯过程回归预测的辐射强度分布可以看出，随着机器人探索的区域不断扩大，预测的辐射分布图中场强最大的一点越来越接近辐射源所在点，证明了算法所选定的高斯过程是适用于搜寻辐射源的。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种移动机器人寻找放射源轨迹的方法，其特征在于一种移动机器人寻找放射源轨迹的方法具体是按照以下步骤进行的：

步骤一、将目标所在位置区域离散化，得到8个邻域，根据离散化结果设计最优函数，根据最优函数计算出8个邻域中的最大值；

步骤二、目标移动到8个邻域中的最大值所在的邻域，重复执行步骤一，获得一条寻源轨迹。

2.根据权利要求1所述一种移动机器人寻找放射源轨迹的方法，其特征在于：所述步骤一中将目标所在位置区域离散化，得到8个邻域，根据离散化结果设计最优函数，根据最优函数计算出8个邻域中的最大值；具体过程为：

采用边长为l_c的正方形栅格将连续的搜索区域分割为离散化的搜索区域，l_c为正方形栅格的边长，l_c为人为设定，在搜索过程中机器人在正方形栅格的中心点处进行位置点坐标的记录(x，y)和辐射强度值的检测；

假定搜索区域为一个矩形的二维环境，其长度和宽度分别为L_x和L_y，长度为x轴方向，宽度为y轴方向，则x轴和y轴方向划分的栅格数M、N分别为：

M＝ceil(L_x/l_c)

N＝ceil(L_y/l_c)(6)

式中，ceil()为取不小于自变量的最小整数，自变量为L_x/l_c或L_y/l_c，L_x为矩形二维环境的长度，L_y为矩形二维环境的宽度，M取值范围为正整数，N取值范围为正整数；

当机器人处在离散化的搜索区域中某一点时，其下一步的目标点为其邻域中的一个点，定义机器人所在位置的邻域为其所在栅格周围8个栅格的中心点，得到8个邻域，根据离散化结果设计最优函数，根据最优函数计算出8个邻域中的最大值。

3.根据权利要求2所述一种移动机器人寻找放射源轨迹的方法，其特征在于：所述辐射强度值的检测根据公式1计算得出：

U(x_i)＝u₁(x_i)u₂(x_i)u₃(x_i)i＝1,2,…,8(1)

其中，

$u_1\left(x_i\right)=\mathrm{\ρ}\left(x_i\right)\mathrm{\μ}\left(x_i\right)+\frac{\mathrm{\β}\left(x_i\right)}{2}{\mathrm{\σ}}^2\left(x_i\right)---\left(2\right)$

$u_2\left(x_i\right)=\frac{1}{n\left(x_i\right)+1}---\left(3\right)$

式中，U(x_i)为辐射强度值；

u₁(x_i)为x_i点辐射强度值大小

u₂(x_i)为x_i能给高斯栅格提供的信息量；

u₃(x_i)为可否进入栅格，为1时可进入，为0时不能进入；

ρ(x_i)为均值的参数；

为协方差的参数；

μ(x_i)为高斯过程回归所得x_i点的均值；

σ²(x_i)为高斯过程回归所得x_i点的方差；

n(x_i)为机器人经过x_i点所在栅格的次数；

$\mathrm{\ρ}\left(x_i\right)=\frac{\mathrm{\μ}\left(x_A\right)}{E_0}$

$\mathrm{\β}\left(x_i\right)=1-\frac{\mathrm{\μ}\left(x_A\right)}{E_0}---\left(5\right)$

式中，μ(x_A)为高斯过程回归所得目标点x_A的均值，E₀为人为设置的场强参考值。

4.根据权利要求3所述一种移动机器人寻找放射源轨迹的方法，其特征在于：所述8个邻域中的最大值的公式为：

$x_i=\arg \underset{x_i}{max}U\left(x_i\right),i=1,2,...,8---\left(7\right)$

式中，x_i为邻域中的点的笛卡尔坐标，x_i＝[x_i,y_i]，将辐射强度值U(x_i)作为目标函数；x_i为邻域坐标点，y_i为邻域坐标点。

5.根据权利要求4所述一种移动机器人寻找放射源轨迹的方法，其特征在于：所述步骤二中目标移动到步骤一得出的8个邻域中的最大值所在的邻域，重复执行步骤一，获得一条寻源轨迹；具体过程为：

步骤二一、获得一条寻源轨迹后，给定机器人的初始位置坐标(x₁,y₁)，初始位置坐标(x₁,y₁)是已知的，机器人将其记录于二维数组X中；

步骤二二、机器人检测其所在点的辐射强度值E₁，并将其记录于一维数组E中，由此得到训练集[X,E]，该训练集被用来训练公式1，训练后使用高斯过程回归计算邻域中每一个点的辐射强度均值和辐射强度方差；

步骤二三、机器人通过遍历二维数组X得到邻域中各栅格的笛卡尔坐标x_i，i＝1,2,…,8在X中出现的次数，获得经过邻域中各个点的次数n(x_i)，i＝1,2,…,8，然后根据式(11)计算u₂(x_i)，i＝1,2,…,8(11)；

步骤二四、机器人通过激光雷达传感器检测邻域各栅格中是否有障碍物，由此根据式(12)计算

u₃(x_i)i＝1,2,…,8(12)；

步骤二五、根据式1计算目标函数U(x_i)，i＝1,2,…,8的值，采用枚举法求解式7中8个邻域中的最大值，获得下一步的目标点x_*；

步骤二六、机器人移动到x_*点，检测x_*点处的辐射强度值E_*，获得新的训练集样本(x_*,E_*)；

步骤二七、判断新检测到的辐射强度值E_*是否大于设定的E₀，若小于E₀则执行步骤二一，直至放射源搜寻成功，若大于E₀则停止循环，表示放射源搜寻成功。

6.根据权利要求5所述一种移动机器人寻找放射源轨迹的方法，其特征在于：所述步骤二二中机器人检测其所在点的辐射强度值E₁，并将其记录于一维数组E中，由此得到训练集[X,E]，该训练集被用来训练公式1，训练后使用高斯过程回归计算邻域中每一个点的辐射强度均值和辐射强度方差；具体过程为

训练后使用高斯过程回归根据式(8)和式(9)分别计算邻域中每一个点的辐射强度均值和辐射强度方差；

邻域中每一个点的辐射强度均值为μ(x_i)，i＝1,2,…,8(8)

辐射强度方差为σ²(x_i)，i＝1,2,…,8(9)

然后根据式(10)计算出u₁(x_i)，i＝1,2,…,8(10)。