CN106970631A - 一种无人船自动寻找污染源的方法 - Google Patents
一种无人船自动寻找污染源的方法 Download PDFInfo
- Publication number
- CN106970631A CN106970631A CN201710406342.7A CN201710406342A CN106970631A CN 106970631 A CN106970631 A CN 106970631A CN 201710406342 A CN201710406342 A CN 201710406342A CN 106970631 A CN106970631 A CN 106970631A
- Authority
- CN
- China
- Prior art keywords
- unmanned boat
- pollution sources
- data
- stepi
- automatic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000037147 athletic performance Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 239000003643 water by type Substances 0.000 description 6
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 3
- 230000033116 oxidation-reduction process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229930002868 chlorophyll a Natural products 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 240000003826 Eichhornia crassipes Species 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及无人船自动寻找污染源的方法，包括：步骤1)无人船根据远程工控机的指令采集初始粒子数、粒子当前坐标值、水文信息适应度数据、水流速度数据以及水流方向数据；步骤2)无人船的控制器采用经典粒子群算法判断水文信息适应度数据的历史最优与个体最优后，与所述水流速度数据、水流方向数据结合形成与无人船相对应的路径向量；步骤3)所述控制器结合该无人船当前的位置坐标与路径向量形成目标位置，判断所述目标位置是否属于设定的寻优空间的最大范围内。能够在不断获得无人船采集的水质信息、定位信息的前提下，无人船自动最优化的规划路径，充分利用各种信息，特别是考虑到能源实际使用的情况，寻找污染源，从而达到快速高效、实际的特点。
Description
技术领域
本发明涉及污染治理技术领域，尤其涉及一种无人船自动寻找污染源的方法。
背景技术
无人船是一种用于在水中，用于检测水文信息的设备，它可以检测出水质的情况，包括有水温、水流流速、水流流向、电导率、pH、氧化还原电位、溶解氧、浊度、蓝绿藻，叶绿素a和氨氮等信息，它对水质的检测、环境的保护起着十分重要的作用。
随着人们对环境保护的重视，现在的需求已经不仅是固定的检测水质的状况，而且还要追根溯源，找到环境污染的源头，从而从根本上用技术手段发现并解决水污染治理的问题。现在已有的无人船的路径规划的方法中，最为接近的例如公开号CN201510570169.5《一种用于无人船的污染源追踪方法及系统》的专利中，提出了无人船自动生成路线、也提出了固定路线，但是没有提到如何优化快速的自动生成路线。公开号CN201611011437.0《一种基于无人设备的水质巡检、污染物溯源系统及其方法》的专利中，提出了无人船和无人机协同寻找的概念，但是也未提到如何单个、或者多个无人船如何优化快速的自动生成路线，进行最优、快速寻找到污染源的问题。从另外一个角度来看，现有的粒子群寻优算法是目前经典的寻优算法，该算法适合用于本领域的工作，但是其存在的问题是，它只利用了历史最优和局部最优的概念，进行寻优，没有考虑到在寻优空间中动态场的概念，所以无法利用水流流速、水流流向的信息，进行综合性的考量，从而达到快速高效的要求。
另外，寻优算法本身需要由一条无人船上的计算机来提供计算资源，而无人船的能源大多数是靠太阳能充电到自带电池里面后，提供给整条船运行的，其工作状态一般分成待机充电模式和正常工作模式。在正常工作模式下，能源的消耗速度远大于充电速度，所以，一条船很难从始至终作为提供核心算法的计算资源，而这一问题并没有在已有的无人船的路径规划的方法中得到体现。
发明内容
本发明目的在于染治理技术领域，提供了一种无人船自动寻找污染源的方法，具体由以下技术方案实现：
所述无人船自动寻找污染源的方法，包括如下步骤：
步骤1)无人船根据远程工控机的指令采集初始粒子数、粒子当前坐标值、水文信息适应度数据、水流速度数据以及水流方向数据；
步骤2)无人船的控制器采用经典粒子群算法判断水文信息适应度数据的历史最优与个体最优后，与所述水流速度数据、水流方向数据结合形成与无人船相对应的路径向量；
步骤3)所述控制器结合该无人船当前的位置坐标与路径向量形成目标位置，判断所述目标位置是否属于设定的寻优空间的最大范围内，若属于，则依照路径向量输出步长距离到无人船的驱动电路，由所述驱动电路控制无人船工作，完成运动工作；若不属于，则由所述驱动电路以能够执行的实际步长距离来执行运动动作。
所述无人船自动寻找污染源的方法的进一步设计在于，所述步骤1)中远程工控机设定寻优空间的最大范围Spacemax，无人船的运动最大步长Sstep，制定本时间段水质监测的任务目标，最大寻优步数Stepmax。
所述无人船自动寻找污染源的方法的进一步设计在于，所述水文信息适应度数据设定为Fitness(pmi,stepi),其中pmi为第pmi个无人船；stepi为当前第 stepi的步骤，设定Fitness(pmi,stepi)最优时适应度变化比例为FitnessCP，当水文信息适应度数据的全局最优值前后变化率的绝对值低于FitnessCP，且连续达到设定的次数sametime时，判定全局最优值的粒子所在位置即为污染源，保存并发送污染源的地理坐标。
所述无人船自动寻找污染源的方法的进一步设计在于，所述 Fitness(pmi,stepi)为远程工控机根据任务进行设定的水质检测参数值的单个或组合的最大值或者水质检测参数值的单个或组合的最小值。
所述无人船自动寻找污染源的方法的进一步设计在于，FitnessCP设定为0.5％到5％，sametime为1到10次。
所述无人船自动寻找污染源的方法的进一步设计在于，步骤2)中若无人船的控制器找到水文信息适应度数据的个体最优，则将当前定位和历史数据进行保存或发送给远程工控机，否则无人船处于等待状态。
所述无人船自动寻找污染源的方法的进一步设计在于，步骤2)中无人船的控制器导入所述历史数据后形成路径向量。
所述无人船自动寻找污染源的方法的进一步设计在于，所述步骤2)中根据式(1)完成路径向量的计算
V＝c1*rand()*(pbest[]-present[])+c2*rand()*(gbest[]-present[ ])-c3*rand()*(Speed(pmi,stepi)·Direct(pmi,stepi)*)；(1) 其中，persent[]是当前粒子的位置，pbest[]和gbest[]分别是当前最优和全局最优，rand()是介于(0,1)之间的随机数，c1，c2以及c3均为学习因子，pmi 为第pmi个无人船；stepi为当前第stepi的步骤，其中，Direct()代表的是当前粒子测得的水流的运动方向，Speed()代表的是当前粒子测得的水流的运动速度。
所述无人船自动寻找污染源的方法的进一步设计在于，c1，c2以及c3的值均设定为0.33。
所述无人船自动寻找污染源的方法的进一步设计在于，所述无人船为若干无人船的情况下，若存在剩余电量大于设定的任务进程能源阈值的无人船时，首先由远程工控机选择剩余电量最大的无人船作为指挥船，由指挥船完成步骤2)的操作后，将路径向量发送至对应的无人船的控制器，由各无人船完成后续工作；若不存在剩余电量大于设定的任务进程能源阈值无人船时，将信息分散地发送至每个对应的无人船，等待无人船电源通过太阳能板自主充满后完成后续工作。
本发明的优点如下：
本发明的无人船自动寻找污染源的方法，能够在不断获得无人船采集的水质信息、定位信息的前提下，在单个或者多个智能无人船的条件下，无人船自动最优化的规划路径，充分利用各种信息，寻找污染源，从而达到快速高效、实际的特点。
另外，本算法还考虑到无人船的能源问题，不断的把计算任务从能源低的无人船转到能源高的无人船，或者全部待机充电后，重新选择一条船作为现场指挥船，提供核心算分的计算资源，保证了算法的在工程上的可靠运行。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
如图1，本实施例提供的无人船自动寻找污染源的方法，包括如下步骤：
步骤1)无人船根据远程工控机的指令采集初始粒子数Pm、粒子当前坐标值PstartPm (Pstart_x,Pstart_y)、水文信息适应度数据、水流速度数据以及水流方向数据。其中，初始粒子数Pm为能够互相连接通信的该水域的无人船的个数。粒子当前坐标值PstartPm(Pstart_x,Pstart_y)为对应的无人船现在的定位设备提供的定位坐标(纬度、经度)。
步骤2)无人船的控制器采用经典粒子群算法判断水文信息适应度数据的历史最优与个体最优后,其中，历史最优为经典粒子群算法中整个群体中的历史最优位置记录，个体最优为经典粒子群算法中当前粒子的历史最优位置记录，与水流速度数据、水流方向数据结合形成与无人船相对应的路径向量。
步骤3)控制器结合该无人船当前的位置坐标与路径向量形成目标位置，判断目标位置是否属于设定的寻优空间的最大范围内，若属于，则依照路径向量输出步长距离到无人船的驱动电路，由驱动电路控制无人船工作，完成运动工作；若不属于，则由驱动电路以能够执行的实际步长距离来执行运动动作。
步骤1)中远程工控机设定各项参数，即参数初始化。参数初始化是在使用前，人工的用于根据实际条件设置本优化算法的各种初始参数，各项参数包括寻优空间的最大范围Spacemax，无人船的运动最大步长Sstep，制定本时间段水质监测的任务目标，最大寻优步数Stepmax，最优时适应度变化比例FitnessCP, 及连续符合最优时适应度变化比例的次数sametime，任务进程能源阈值Enen。其中，寻优空间的最大范围Spacemax为本任务在地图上标记输入的水域的范围。无人船的运动最大步长Sstep为本无人船一次运动最大的距离，它与无人船的驱动、能源、船体有关，它要保证船体在一次运动后，电源还能够继续运动。最大寻优步数Stepmax是本次任务最大工作的步数，超出这个值即停止本次任务，并返回信息给控制台。本实施例中一个面积约为1000亩的水域中，放置了5条无人船。
制定本时间段水质监测的任务目标是在电导率、pH、氧化还原电位、溶解氧、浊度、蓝绿藻，叶绿素a和氨氮等信息中人工设计一个水文适应度，并确定是寻最大还是最小。水文信息适应度数据设定为Fitness(pmi,stepi),其中pmi为第pmi个无人船，pmi从1到pm。stepi为当前第stepi的步骤，设定 Fitness(pmi,stepi)最优时适应度变化比例为FitnessCP，当水文信息适应度数据的全局最优值前后变化率的绝对值低于FitnessCP，且连续达到设定的次数 sametime时，判定为寻找到了水文信息适应度数据的最优，即那个全局最优值的粒子所在位置即为污染源，然后发送地理坐标，被远程工控机或者其他无人船接受。
所述无人船自动寻找污染源的方法的进一步设计在于，所述 Fitness(pmi,stepi)可以被远程控制端根据任务进行设定为水质检测值的单个或组合，最大或最小，例如设定为pH值最小时，即为寻找酸性废弃物污染源；设定为叶绿素a最大时，即为寻找出现例如水葫芦的源头。
所述无人船自动寻找污染源的方法的进一步设计在于，FitnessCP设定为设定为0.5％到5％，sametime为1到10次。
本实施例中，Fitness(pmi,stepi)设定为氧化还原电位和氨氮之和的最大值。FitnessCP设定为0.5％，sametime为3次。
步骤2)中若无人船的控制器找到水文信息适应度数据的个体最优，即 FitnessCP全局最优值前后变化低于这个比例值，并达到连续sametime的次数时，则将当前定位和历史数据进行保存或发送给远程工控机，否则无人船处于等待状态，即图1中输出结果2的情况。
步骤2)中无人船的控制器导入历史数据后形成路径向量。本实施例中，根据式(1)完成路径向量的计算：
V＝c1*rand()*(pbest[]-present[])+c2*rand()*(gbest[]-present[ ])-c3*rand()*(Speed(pmi,stepi)·Direct(pmi,stepi)*)；(1) 其中，persent[]是当前粒子的位置，pbest[]和gbest[]分别是当前最优和全局最优， rand()是介于(0,1)之间的随机数，c1，c2以及c3均为学习因子，pmi为第pmi个无人船；stepi为当前第stepi的步骤，其中，Direct()代表的是当前粒子测得的水流的运动方向，Speed()代表的是当前粒子测得的水流的运动速度。本实施例中，c1，c2以及c3的值均设定为0.33。
判断V加上present位置后，是否在寻优空间的最大范围Spacemax内，如果属于，那么就照常执行，输出步长距离到驱动电路，控制其工作，完成运动工作；如果不属于最大范围Spacemax内了，那么就以能够执行的实际步长来执行。
如图1，本实施例中，在无人船执行运动时，首先判断最大寻优步数Stepmax，如果当前的stepi等于最大寻优步数Stepmax，那么任务结束，进入到输出结果 1步骤，即保存信息，或者返回失败信息以及历史数据信息给远程工控机。
无人船为若干无人船的情况下，若存在剩余电量大于设定的任务进程能源阈值的无人船时，首先由远程工控机选择剩余电量最大的无人船作为指挥船，由指挥船完成步骤2)的操作后，将路径向量发送至对应的无人船的控制器，由各无人船完成后续工作；
若不存在剩余电量大于设定的任务进程能源阈值无人船时，将信息分散地发送至每个对应的无人船，等待无人船电源通过太阳能板自主充满后完成后续工作，即图1中输出结果3的情况，此时输出的目前的休眠充电的状态。
本实施例的任务进程能源阈值Enen是在多个无人船进行非远程控制台工作下，本地合作寻找时，任务执行的船只必须达到的能源阈值。初始时，本任务工作进程由能源值最大的船只作为指挥船只执行，如果该无人船在任务过程中达不到该能源阈值，那么把信息交给另外一条达到该阈值的无人船，由它担任本次任务指挥，如果全部达不到，那么就最后分散所有信息到所有无人船，等待无人船电源被太阳能板自主充满电源后重新工作。本实施例中Enen设置为40％，用于电源的管理。
把上述算法转化成如图1所示的实施例本算法的工程化子程序流程图中，在无人船被人为被监视水域后，此刻无人船被启动。
步骤1：信息采集：在无人船被启动后，无人船此刻采集本船相关信息，例如坐标，人为预设的任务范围，环境参数，能源状态，附近能够通信的无人船的坐标、环境参数、能源参数，以及是否有远程工控机等等；
步骤2-1：判断目前是否已有任务，如果已有任务，那么继续执行，进入步骤2-2，如果没有任务，进入到3步骤；
步骤2-2：如果历史最优值满足稳定要求，即在连续sametime次历史最优值的前后变化率小于FitnessCP，那么说明找到了稳定的污染源，任务成功，输出此刻历史最优值所在的无人船的坐标位置给远程工控机，保留一个无人船在此刻最优值处外，其他无人船随机散开到水域其他位置，以备新任务使用，任务结束；如果没有，那么就需要继续寻找，进入到步骤2-3；
步骤2-3：判断已有任务是否已经到达预设最大步长，如果已经达到，说明没有找到稳定的污染源，任务就是失败，结束任务并发送信息给远程工控机，所有无人船随机散开到水域其他位置，以备新任务使用；如果没有达到，说明有任务还没有结束，进入步骤2-4；
步骤2-4：判断能源是否满足要求，是否有无人船的能源低于阈值，那么该船就进入到待机充电模式；如果提供本算法计算资源的指挥船能源不够，那么就进入到步骤4，如果所有船的能源均不能高于阈值，那么所有船只均进入到待机充电模式，进入步骤5；
步骤3：判断是否有新任务发放，如果有，那么就进入到接受远程工控机任务的模式，然后重新进入到信息采集流程，即步骤1；如果没有新任务，那么就进入到步骤2-4，判断能源是否满足要求的流程；
步骤4：寻找其能够联系到本地无人船中能源高于阈值的船只，将现有的各种信息发送给它，并交接指挥权，然后按照公式(1)的计算方法，指挥船对所有能够通讯的无人船下达路径规划和执行任务，然后再次进入步骤1；
步骤5：当待机充电的无人船电源充满后，重新进入工作模式，这时，由于先后顺序，以及电池变化的问题，电池并不是都是一样能量的，所有能够互相通行的无人船互相传送自己的能源信息，选出能源最大的那个作为指挥船，然后再次进入步骤1；
本实施例的用于无人船自动寻找水中污染源的最优方法，能够在不断获得无人船采集的水质信息、定位信息的前提下，在单个或者多个智能无人船的条件下，无人船自动最优化的规划路径，充分利用各种信息，特别是考虑到能源实际使用的情况，寻找污染源，从而达到快速高效、实际的特点。
另外，本算法还考虑到无人船的能源问题，不断的把计算任务从能源低的无人船转到能源高的无人船，或者全部待机充电后，重新选择一条船作为现场指挥船，提供核心算分的计算资源，保证了算法的在工程上的可靠运行。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种无人船自动寻找污染源的方法，其特征在于包括如下步骤：
步骤1)无人船根据远程工控机的指令采集初始粒子数、粒子当前坐标值、水文信息适应度数据、水流速度数据以及水流方向数据；
步骤2)无人船的控制器采用经典粒子群算法判断水文信息适应度数据的历史最优与个体最优后，与所述水流速度数据、水流方向数据结合形成与无人船相对应的路径向量；
步骤3)所述控制器结合该无人船当前的位置坐标与路径向量形成目标位置，判断所述目标位置是否属于设定的寻优空间的最大范围内，若属于，则依照路径向量输出步长距离到无人船的驱动电路，由所述驱动电路控制无人船工作，完成运动工作；若不属于，则由所述驱动电路以能够执行的实际步长距离来执行运动动作。
2.根据权利要求1所述的无人船自动寻找污染源的方法，其特征在于所述步骤1)中远程工控机设定寻优空间的最大范围Spacemax，无人船的运动最大步长Sstep，制定本时间段水质监测的任务目标，最大寻优步数Stepmax。
3.根据权利要求2所述的无人船自动寻找污染源的方法，其特征在于所述水文信息适应度数据设定为Fitness(pmi,stepi),其中pmi为第pmi个无人船；stepi为当前第stepi的步骤，设定Fitness(pmi,stepi)最优时适应度变化比例为FitnessCP，当水文信息适应度数据的全局最优值前后变化率的绝对值低于FitnessCP，且连续达到设定的次数sametime时，判定全局最优值的粒子所在位置即为污染源，保存并发送污染源的地理坐标。
4.根据权利要求3所述的无人船自动寻找污染源的方法，其特征在于所述Fitness(pmi,stepi)为远程工控机根据任务进行设定的水质检测参数值的单个或组合的最大值或者水质检测参数值的单个或组合的最小值。
5.根据权利要求3所述的无人船自动寻找污染源的方法，其特征在于FitnessCP设定为0.5％到5％，sametime为1到10次。
6.根据权利要求3所述的无人船自动寻找污染源的方法，其特征在于步骤2)中若无人船的控制器找到水文信息适应度数据的个体最优，则将当前定位和历史数据进行保存或发送给远程工控机，否则无人船处于等待状态。
7.根据权利要求6所述的无人船自动寻找污染源的方法，其特征在于步骤2)中无人船的控制器导入所述历史数据后形成路径向量。
8.根据权利要求6所述的无人船自动寻找污染源的方法，其特征在于所述步骤2)中根据式(1)完成路径向量的计算
V＝c1*rand()*(pbest[]-present[])+c2*rand()*(gbest[]-present[])-c3*rand()*(Speed(pmi,stepi)·Direct(pmi,stepi)*)；(1)其中，persent[]是当前粒子的位置，pbest[]和gbest[]分别是当前最优和全局最优，rand()是介于(0,1)之间的随机数，c1，c2以及c3均为学习因子，pmi为第pmi个无人船；stepi为当前第stepi的步骤，其中，Direct()代表的是当前粒子测得的水流的运动方向，Speed()代表的是当前粒子测得的水流的运动速度。
9.根据权利要求3所述的无人船自动寻找污染源的方法，其特征在于c1，c2以及c3的值均设定为0.33。
10.根据权利要求1所述的无人船自动寻找污染源的方法，其特征在于所述无人船为若干无人船的情况下，若存在剩余电量大于设定的任务进程能源阈值的无人船时，首先由远程工控机选择剩余电量最大的无人船作为指挥船，由指挥船完成步骤2)的操作后，将路径向量发送至对应的无人船的控制器，由各无人船完成后续工作；
若不存在剩余电量大于设定的任务进程能源阈值无人船时，将信息分散地发送至每个对应的无人船，等待无人船电源通过太阳能板自主充满后完成后续工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710406342.7A CN106970631A (zh) | 2017-06-01 | 2017-06-01 | 一种无人船自动寻找污染源的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710406342.7A CN106970631A (zh) | 2017-06-01 | 2017-06-01 | 一种无人船自动寻找污染源的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106970631A true CN106970631A (zh) | 2017-07-21 |
Family
ID=59326323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710406342.7A Pending CN106970631A (zh) | 2017-06-01 | 2017-06-01 | 一种无人船自动寻找污染源的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106970631A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108508884A (zh) * | 2018-02-06 | 2018-09-07 | 南京永为科技有限公司 | 水上巡逻机器人 |
| CN110083158A (zh) * | 2019-04-28 | 2019-08-02 | 深兰科技（上海）有限公司 | 一种确定局部规划路径的方法和设备 |
| CN111930108A (zh) * | 2020-02-25 | 2020-11-13 | 青岛海洋地质研究所 | 用于无人船的控制方法及控制装置、无人船 |
| CN112540161A (zh) * | 2020-11-06 | 2021-03-23 | 佛山市禅城区环境监测站 | 一种无人船水质监控布点优化方法 |
| CN112987736A (zh) * | 2021-02-26 | 2021-06-18 | 上海交通大学 | 基于智能无人船载无人机的船舶排放遥测系统及方法 |
| CN114441727A (zh) * | 2022-01-28 | 2022-05-06 | 武汉工程大学 | 一种水质监测方法及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137993A (zh) * | 2015-09-09 | 2015-12-09 | 广州睿航电子科技有限公司 | 一种用于无人船的污染源追踪方法及系统 |
| CN105353099A (zh) * | 2015-10-26 | 2016-02-24 | 中国地质大学（武汉） | 一种基于多种群协同算法的给水管网污染源定位方法 |
| CN106405040A (zh) * | 2016-11-17 | 2017-02-15 | 苏州航天系统工程有限公司 | 一种基于无人设备的水质巡检、污染物溯源系统及其方法 |
-
2017
- 2017-06-01 CN CN201710406342.7A patent/CN106970631A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137993A (zh) * | 2015-09-09 | 2015-12-09 | 广州睿航电子科技有限公司 | 一种用于无人船的污染源追踪方法及系统 |
| CN105353099A (zh) * | 2015-10-26 | 2016-02-24 | 中国地质大学（武汉） | 一种基于多种群协同算法的给水管网污染源定位方法 |
| CN106405040A (zh) * | 2016-11-17 | 2017-02-15 | 苏州航天系统工程有限公司 | 一种基于无人设备的水质巡检、污染物溯源系统及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张建南，刘以安，王刚: "基于优化粒子群算法的无人机航路规划", 《传感器与微系统》 * |
| 陈一村，蔡浩，陈志龙，奉祁林，赵旭东: "基于改进PSO算法的室内时变污染源定位方法", 《环境工程》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108508884A (zh) * | 2018-02-06 | 2018-09-07 | 南京永为科技有限公司 | 水上巡逻机器人 |
| CN108508884B (zh) * | 2018-02-06 | 2023-04-18 | 南京永为科技有限公司 | 水上巡逻机器人 |
| CN110083158A (zh) * | 2019-04-28 | 2019-08-02 | 深兰科技（上海）有限公司 | 一种确定局部规划路径的方法和设备 |
| CN110083158B (zh) * | 2019-04-28 | 2022-08-16 | 深兰科技（上海）有限公司 | 一种确定局部规划路径的方法和设备 |
| CN111930108A (zh) * | 2020-02-25 | 2020-11-13 | 青岛海洋地质研究所 | 用于无人船的控制方法及控制装置、无人船 |
| CN112540161A (zh) * | 2020-11-06 | 2021-03-23 | 佛山市禅城区环境监测站 | 一种无人船水质监控布点优化方法 |
| CN112987736A (zh) * | 2021-02-26 | 2021-06-18 | 上海交通大学 | 基于智能无人船载无人机的船舶排放遥测系统及方法 |
| CN114441727A (zh) * | 2022-01-28 | 2022-05-06 | 武汉工程大学 | 一种水质监测方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106970631A (zh) | 一种无人船自动寻找污染源的方法 | |
| Lv et al. | Intelligent security planning for regional distributed energy internet | |
| CN104412481B (zh) | 能源管理服务器、能源管理方法 | |
| CN105717923B (zh) | 基于椭圆聚类-碰撞锥推演的无人艇海洋动态避障控制算法 | |
| CN107389129A (zh) | 一种远程体感控制水文水质监测系统平台 | |
| CN112738752B (zh) | 一种基于强化学习的wrsn多移动充电器优化调度方法 | |
| CN110275546A (zh) | 一种无人机编队搜索与任务调度方法 | |
| CN109947131A (zh) | 一种基于强化学习的多水下机器人编队控制方法 | |
| CN103941685A (zh) | 一种深海作业型rov控制系统及其控制方法 | |
| CN112817318B (zh) | 一种多无人艇协同搜索控制方法及系统 | |
| 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 | |
| CN107918396A (zh) | 一种基于船体模型的水下清洗机器人路径规划方法及系统 | |
| CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 | |
| Che et al. | Research on improved ACO algorithm-based multi-robot odor source localization | |
| Babić et al. | Vehicle-in-the-loop framework for testing long-term autonomy in a heterogeneous marine robot swarm | |
| Su et al. | Robot path planning based on random coding particle swarm optimization | |
| Chen et al. | Design and collaborative operation of multimobile inspection robots in smart microgrids | |
| Sun et al. | A bio-inspired cascaded approach for three-dimensional tracking control of unmanned underwater vehicles | |
| CN102156408A (zh) | 一种动态自适应演化最大功率点跟踪控制系统及方法 | |
| CN109276990B (zh) | 一种循环泵降耗智能管理系统 | |
| Liu et al. | Location and tracking of environmental pollution sources under multi-UAV vision based on target motion model | |
| Wu et al. | Planning efficient and robust behaviors for model-based power tower inspection | |
| Azmi et al. | Control the Water wheel with the Internet of Things | |
| Liu et al. | Intelligent Ship-Shore Cooperation for USV: A Brief Survey and Suggested Scheme | |
| Chen et al. | Design of unmanned patrol ship for marine culture based on STM32 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170721 |