CN111859688A - 一种基于压抑心理函数的多飞行器协同追溯气味源方法 - Google Patents
一种基于压抑心理函数的多飞行器协同追溯气味源方法 Download PDFInfo
- Publication number
- CN111859688A CN111859688A CN202010730657.9A CN202010730657A CN111859688A CN 111859688 A CN111859688 A CN 111859688A CN 202010730657 A CN202010730657 A CN 202010730657A CN 111859688 A CN111859688 A CN 111859688A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- function
- depression
- odor source
- source
- 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 35
- 230000008433 psychological processes and functions Effects 0.000 title claims abstract description 22
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 239000000779 smoke Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims 4
- 230000000506 psychotropic effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 20
- 238000010586 diagram Methods 0.000 description 8
- 230000006854 communication Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- G05D1/12—Target-seeking control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- General Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于压抑心理函数的多飞行器协同追溯气味源方法，利用装载小型气体传感器的飞行器编队追溯三维立体空间气味源，解决飞行器续航能力有限与搜索区域范围较大的矛盾。压抑心理函数值主要由飞行器编队成员的状态函数与飞行器自身的状态函数所决定，其中编队成员状态函数构成要素为飞行器数量，飞行器之间的距离以及飞行器等级；而飞行器自身状态函数构成要素为飞行器的飞行距离以及飞行器剩余电量。压抑心理函数值越大，飞行器动态半径越大，能够获取邻近飞行器监测浓度信息越多，追溯到气味源的概率越高。通过搭建三维浓度场，验证本发明能成功定位气味源地理位置，并且飞行器编队能避免陷入气味源局部最优值。
Description
技术领域
本发明涉及气味源定位领域，特别提供一种基于压抑心理函数的多飞行器协同追溯气味源方法。
背景技术
随着我国经济和科学技术的快速发展，人类生产经营所带来的大气污染问题愈发严重，并对人类健康带来危害。环境大气污染事故具有突发性和污染范围较大的特点，现有的气味源污染源的定位一般以固定监测站或无线传感器网络为依据，通过将其位置和污染物浓度信息相综合，得到较粗略的浓度分布图，进而估计出污染源的位置。但由于受地面条件限制，监测站位往往分布不均匀，且事故污染源附近不一定恰好设有监测站或被监测站所包围，同时固定监测站的设置会带来较大经济费用，成本较高，例如：中国专利公告号为CN110796847A中所述的一种基于区块链的环境监测站点运维系统及其方法。
飞行器具有良好的机动性、实时性和灵活性等特点，不受近地面建筑物的限制，比传统的系留气球和气象塔监测更易控制和操作，例如：中国专利公告号为CN111114741A一种缆绳、系留气球监测系统及监测方法。飞行器监测气味源不仅能够有效获取高空气味源的三维立体分布情况，而且在气味源的监测和追溯方面比传统方法更具有优势。现有的气味源追溯算法有：Z字形遍历算法、烟羽逆风溯源算法、布谷鸟搜索算法，这些追溯算法存在以下不足之处：大多溯源算法主要二维空间溯源，鲜有研究三维空间追溯；地面机器人追溯气味源研究较多，研究低空气味源追溯较少，例如：中国专利公开号为CN106918367A的一种机器人主动搜寻定位气味源的方法，中国专利公开号为CN206649344U的一种主动搜寻定位气味源的全向移动机器人；同时将压抑心理学概念运用到气味源追溯的研究很少。
本发明提出的一种基于压抑心理函数的多飞行器协同追溯气味源方法，将压抑心理学概念引入到飞行器三维立体空间追溯气味源研究中，提出动态半径领域概念，提高了飞行器在三维空间范围内追溯气味源的准确性，避免飞行器在气味源追溯过程中陷入局部最优，同时多飞行器之间进行信息共享协同追溯气味源，显著提高追溯气味源的效率。
发明内容
本发明的目的在于提供一种基于压抑心理函数的多飞行器协同追溯气味源方法，解决相关技术中追溯气味源存在的问题。
根据本发明的一个方面，提供了基于压抑心理函数的多飞行器协同追溯气味源方法，包括：飞行器在三维空间范围内搜索气味源烟羽，而飞行器从当前位置Stationi(t)＝(xi(t)，yi(t)，zi(t))T飞行至下一位置Stationi(t+1)＝ (xi(t+1)，yi(t+1)，zi(t+1))T的空间位置更新，可以表示如下：
上式vi(t+1)表示第i架飞行器在t+1时刻的速度矢量；φi表示飞行器的速度矢量在xy平面上的投影角度；
表示投影到xy平面的速度矢量沿x轴分解角度；(xi(t)，yi(t)，zi(t))表示第i架飞行器在t时刻的三维空间位置； (xi(t+1)，yi(t+1)，zi(t+1))表示第i架飞行器在t+1时刻的三维空间位置。
进一步对vi(t+1)进行分析，vi(t+1)主要与以下四个因素有关：(I)飞行器在t时刻的速度vi(t)；(II)飞行器从追溯气味源至t时刻，监测到的历史气味源浓度最大空间位置；(III)飞行器编队在t时刻所监测到的气味源浓度全局最大的空间位置；(IV)飞行器在动态半径范围内的其他飞行器所监测到的最大气味源浓度空间位置。vi(t+1)更新公式如下：
上式k,k1,k2,k3表示常系数；k×(vix(t)，viy(t)，viz(t))T表示飞行器在 t时刻的速度惯性；(X1(t)，Y1(t)，Z1(t))T表示飞行器监测到的最大历史气味源浓度空间位置；(X2(t)，Y2(t)，Z2(t))T表示在t时刻飞行器编队所监测到的最大气味源浓度空间位置；(X3(t)，Y3(t)，Z3(t))T表示动态半径范围内的飞行器所监测到最大气味源浓度空间位置；rj(t)表示属于0～1的随机数，并且j＝1，2，3。
根据本发明的另一个方面，提供了一种压抑心理函数确定动态半径的方法。动态半径的大小对飞行器下一飞行位置的确定十分重要，而动态半径的大小与飞行器在飞行过程中产生的压抑心理息息相关。飞行器在追溯气味源的过程中受到组内其他多飞行器状态函数的影响，如：组内飞行器的等级，飞行器之间的距离以及飞行器的数量，同时飞行器在追溯气味源的过程中还受到自身状态函数影响，如：剩余电量，飞行距离；故飞行器的压抑心理函数主要包括组内其他飞行器状态函数和飞行器自身状态函数，分别表示如下：
首先是组内其他飞行器状态函数：
上式中
表示t时刻第k组的第i架飞行器对第j架飞行器的影响力强度，N表示第k组飞行器的数量，
表示第i架飞行器在t时刻检测到的气味源浓度(mg/L)，
表示组内飞行器组长在t时刻检测到的气味源浓度(mg/L)，FOI1和FOI2分别表示飞行器组员和飞行器组长的社会影响因子，
表示第i架飞行器与第j架飞行器之间的距离，α为常系数；对于第i 架飞行器受到组内其他飞行器的社会影响力总和表达式如下：
上式
表示t时刻第k组的第i架飞行器受到总社会影响力数值；
其次，是飞行器自身状态函数：
上式Gi(t)表示第i架飞行器在t时刻的状态函数，Ei(t)表示第i架飞行器的剩余电量，Li(t)表示第i架飞行器在t时刻的飞行距离，β表示常数；
最后，由于组内其他飞行器状态函数和飞行器自己状态函数存在量纲上的差异，采用极差变换法进行去量纲，表达式如下：
上式中
表示去量纲后k区域内第i架飞行器在t时刻受到组内其他飞行器的状态函数数值，
表示去量纲后k区域内第i架飞行器自身状态函数数值；在此基础上，飞行器受到的压抑心理函数表示如下：
其中
表示第i架飞行器在t时受到的压抑心理函数数值；w1和w2分别表示权重系数。
进一步分析压抑心理函数与动态压抑半径的关系。飞行器在t时刻的压抑心理函数与动态半径的数值表达式如下：
上式
表示第i架飞行器在t时刻的压抑心理函数；γ表示常系数；ρ表示飞行器的遗忘因子；rand表示一个随机数(rand∈[0,1])。
通过本发明提供的基于压抑心理函数的多飞行器协同追溯气味源方法，解决相关技术中三维空间追溯气味源的问题，同时本发明通过搭建三维的多气味源浓度场进行模拟仿真，验证本发明能成功的追溯到气味源并且能够避免陷入局部最优的优势。本发明提供了一种新颖高效的三维空间气味源追溯方法，降低了气味源检测与追溯成本。
附图说明
图1为一种基于压抑心理函数的多飞行器协同追溯气味源算法流程图
图2为飞行器构件图；
图3为地面控制站构件图；
图4为飞行器编队通讯流程图；
图5为飞行器位置更新图；
图6为飞行器速度更新示意图；
图7为多气味源浓度场；
图8为飞行器追溯气味源路径图。
具体实施方式
下面结合本发明实例中的附图，对本发明具体的实施方式进行完整描述，所述实例仅是本发明一部分实例图，并不是全部实例。基于本发明的实例，本领域中技术人员在没有新颖性、创造性劳动前提下所获得的其他实例，均属于本发明的保护范围。下面将结合附图对具体实施例进行详细描述。
本发明所提出的一种基于压抑心理函数的多飞行器协同追溯气味源方法，其追溯气味源的关键步骤如下：由于飞行器在大范围的三维立体空间中追溯时变的气味源，但是飞行器的续航能力有限，飞行器之间的通讯距离也存在限制。见附图1。故此，本发明对每架飞行器进行编队搜寻气味源地理位置，并且每架飞行器均装载有气体传感器，无线通讯模块，数据传输模块，溯源控制模块以及电池，见附图2。每架飞行器均装载有气体传感器能够实时的监测气味源浓度，并且通过数据传输模块将气味源浓度数值传输到地面控制站，地面控制站的组成部分见附图3。由于地面控制站也装配数据传输模块，不仅可以接收飞行器的监测数据，而且可以将监测信息整合后，再次通过数据传输模块传输至每个飞行器编队进行信息共享，协同高效的追溯气味源地理位置，具体通讯过程见附图4。
飞行器编队追溯气味源可以分为三个过程分别是：发现气味源烟羽，追溯气味源烟羽，气味源的定位。本发明中飞行器三维空间地理位置变化公式如下：
上式vi(t+1)表示第i架飞行器在t+1时刻的速度矢量；φi表示飞行器的速度矢量在xy平面上的投影角度；
表示投影到xy平面的速度矢量沿x 轴分解角度；(xi(t)，yi(t)，zi(t))表示第i架飞行器在t时刻的三维空间位置；(xi(t+1)，yi(t+1)，zi(t+1))表示第i架飞行器在t+1时刻的三维空间位置, 飞行器位置更新示意图见附图5。
vi(t+1)的确认主要与以下四个因素有关：(I)飞行器在t时刻的速度 vi(t)；(II)飞行器从追溯气味源至t时刻，监测到的历史气味源浓度最大空间位置；(III)飞行器编队在t时刻所监测到的气味源浓度全局最大的空间位置； (IV)飞行器在动态半径范围内的其他飞行器所监测到的最大气味源浓度空间位置。vi(t+1)更新公式如下：
上式k,k1,k2,k3表示常系数；k×(vix(t)，viy(t)，viz(t))T表示飞行器在 t时刻的速度惯性；(X1(t)，Y1(t)，Z1(t))T表示飞行器监测到的最大历史气味源浓度空间位置；(X2(t)，Y2(t)，Z2(t))T表示在t时刻飞行器编队所监测到的最大气味源浓度空间位置；(X3(t)，Y3(t)，Z3(t))T表示动态半径范围内的飞行器所监测到最大气味源浓度空间位置；rj(t)表示属于0～1的随机数，并且j＝1，2，3。飞行器速度更新示意图见附图6。附图6(a)中的Rmax表示飞行器和邻近飞行器之间的最大的通讯距离；Rmin表示飞行器之间最短的躲避距离；R(t)表示动态半径，动态半径大小与压抑心理函数有关。附图6(b)中飞行器(RO)表示研究对象；飞行器(GOP)位置表示飞行器编队监测到全局最大浓度数值的空间位置；飞行器(HOP)位置表示飞行器从开始监测到t时刻监测到的历史浓度最优位置；飞行器位置(DOP)表示动态半径R(t)内监测到浓度最大值的空间位置；附图6(b)中的箭头(a)表示飞行器(RO)在t时刻的速度惯性矢量。附图6(c)和附图 6(d)表示飞行器监测浓度的历史最佳空间位置，飞行器动态半径R(t)内监测浓度的最佳空间位置，飞行器编队搜索区域内监测浓度的全局最佳空间位置以及飞行器自身飞行速度惯性的矢量合，特别需要指出附图6(d)中箭头(b)所指向的是飞行器下一飞行位置(NRO)。
动态半径的大小与飞行器压抑心理函数有关，而压抑心理函数值主要由飞行器编队成员状态函数以及飞行器自身状态函数所决定。飞行器在追溯气味源的过程中受到组内其他多飞行器状态函数的影响，如：组内飞行器的等级，飞行器之间的距离以及飞行器的数量，同时飞行器在追溯气味源的过程中还受到自身状态函数影响，如：剩余电量，飞行距离；故飞行器的压抑心理函数主要包括组内其他飞行器状态函数和飞行器自身状态函数，分别表示如下：
首先是组内其他飞行器状态函数：
上式中
表示t时刻第k组的第i架飞行器对第j架飞行器的影响力强度，N表示第k组飞行器的数量，
表示第i架飞行器在t时刻检测到的气味源浓度(mg/L)，
表示组内飞行器组长在t时刻检测到的气味源浓度(mg/L)，FOI1和FOI2分别表示飞行器组员和飞行器组长的社会影响因子，
表示第i架飞行器与第j架飞行器之间的距离，α为常系数；对于第i 架飞行器受到组内其他飞行器的社会影响力总和表达式如下：
上式
表示t时刻第k组的第i架飞行器受到总社会影响力数值；
其次，是飞行器自身状态函数：
上式Gi(t)表示第i架飞行器在t时刻的状态函数，Ei(t)表示第i架飞行器的剩余电量，Li(t)表示第i架飞行器在t时刻的飞行距离，β表示常数；
最后，由于组内其他飞行器状态函数和飞行器自己状态函数存在量纲上的差异，采用极差变换法进行去量纲，表达式如下：
上式中
表示去量纲后k区域内第i架飞行器在t时刻受到组内其他飞行器的状态函数数值，
表示去量纲后k区域内第i架飞行器自身状态函数数值；在此基础上，飞行器受到的压抑心理函数表示如下：
其中
表示第i架飞行器在t时受到的压抑心理函数数值；w1和w2分别表示权重系数。
进一步分析压抑心理函数与动态压抑半径的关系。飞行器在t时刻的压抑心理函数与动态半径的数值表达式如下：
上式
表示第i架飞行器在t时刻的压抑心理函数；γ表示常系数；ρ表示飞行器的遗忘因子；rand表示一个随机数(rand∈[0,1])，Ri(t)表示第i 架飞行器在t时刻的动态半径大小。
本发明在高斯扩散模型的基础上，建立三维气味源分布图，见附图7，利用基于压抑心理函数的多飞行器协同追溯气味源方法对气味源进行追溯，追溯路径图见附图8，在附图8中可以观察到该方法能够成功追溯到气味源位置，并且避免陷入气味源局部最优。
Claims (6)
1.一种基于压抑心理函数的多飞行器协同追溯气味源方法，其特征在于，包括：多飞行器在三维空间范围内搜索气味源烟羽，根据该时刻飞行器的速度惯性，每架飞行器检测的气味源浓度最佳位置，该飞行器检测的历史最佳浓度位置，动态压抑半径范围内飞行器检测的最佳浓度位置，所述动态压抑半径受到压抑心理函数的影响，而飞行器的压抑心理函数值主要由组内飞行器的状态函数和飞行器自身状态函数所决定；对上述三个位置矢量和一个速度惯性矢量进行求和得到飞行器下一个飞行位置，如此迭代，当飞行器在某个位置附近长时间徘徊，表示定位到气味源。
2.按照权利要求1所述压抑心理函数，其特征在于：飞行器在追溯气味源的过程中受到组内其他多飞行器状态函数的影响，如：组内飞行器的等级，飞行器之间的距离以及飞行器的数量，同时飞行器在追溯气味源的过程中还会受到自身状态函数影响，如：剩余电量，飞行距离；故飞行器的压抑心理函数主要包括组内其他飞行器状态函数和飞行器自身状态函数，分别表示如下：
首先是组内其他飞行器状态函数：
上式中
表示t时刻第k组的第i架飞行器对第j架飞行器的影响力强度，N表示第k组飞行器的数量，
表示第i架飞行器在t时刻检测到的气味源浓度(mg/L)，
表示组内飞行器组长在t时刻检测到的气味源浓度(mg/L)，FOI1和FOI2分别表示飞行器组员和飞行器组长的社会影响因子，
表示第i架飞行器与第j架飞行器之间的距离，α为常系数；对于第i架飞行器受到组内其他飞行器的社会影响力总和表达式如下：
上式
表示t时刻第k组的第i架飞行器受到总的社会影响力数值；
其次，是飞行器自身状态函数：
上式Gi(t)表示第i架飞行器在t时刻的状态函数，Ei(t)表示第i架飞行器的剩余电量，Li(t)表示第i架飞行器在t时刻的飞行距离，β表示常数；
最后，由于组内其他飞行器状态函数和飞行器自己状态函数存在量纲上的差异，采用极差变换法进行去量纲，表达式如下：
上式中
表示去量纲后k区域内第i架飞行器在t时刻受到组内其他飞行器的状态函数数值，
表示去量纲后k区域内第i架飞行器自身状态函数数值；在此基础上，飞行器受到的压抑心理函数表示如下：
其中
表示第i架飞行器在t时受到的压抑心理函数数值；w1和w2分别表示权重系数。
3.按照权利要求1所述动态压抑半径，其特征在于：该动态压抑半径的范围大小与压抑心理函数息息相关，动态半径的大小直接决定了动态压抑半径范围内内飞行器检测的最佳浓度位置，动态半径数值表达式如下：
上式
表示第i架飞行器在t时刻的压抑心理函数，γ表示常系数，ρ表示飞行器的遗忘因子，rand表示一个随机数(rand∈[0，1])。
4.按照权利要求1所述一种基于压抑心理函数的多飞行器协同追溯气味源方法，其特征在于三维空间范围内搜索气味源烟羽，并且定位气味源位置。
5.按照权利要求1所述一种基于压抑心理函数的多飞行器协同追溯气味源方法，其特征在于多飞行器之间共享追溯的气味源信息，协同追溯气味源，有效的提高气味源追溯的成功率和准确性，避免飞行器编队陷入气味源场的局部最优。
6.按照权利要求1所述一种基于压抑心理函数的多飞行器协同追溯气味源方法，其特征在于将心理学中的社会影响理论引入到多飞行器追溯气味源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010730657.9A CN111859688A (zh) | 2020-07-27 | 2020-07-27 | 一种基于压抑心理函数的多飞行器协同追溯气味源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010730657.9A CN111859688A (zh) | 2020-07-27 | 2020-07-27 | 一种基于压抑心理函数的多飞行器协同追溯气味源方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111859688A true CN111859688A (zh) | 2020-10-30 |
Family
ID=72947300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010730657.9A Pending CN111859688A (zh) | 2020-07-27 | 2020-07-27 | 一种基于压抑心理函数的多飞行器协同追溯气味源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859688A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113358817A (zh) * | 2021-04-22 | 2021-09-07 | 上海工程技术大学 | 一种基于气体浓度梯度驱动的气体源定位装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130208262A1 (en) * | 2010-10-06 | 2013-08-15 | Tea Sistemi S.P.A. | Method for monitoring fugitive gas emissions from the soil, via vertical concentration measurements |
| CN105022406A (zh) * | 2015-06-29 | 2015-11-04 | 徐州工程学院 | 基于改进细菌觅食算法的多机器人协作气味源定位方法 |
| CN105277593A (zh) * | 2015-11-16 | 2016-01-27 | 江苏拓新天机器人科技有限公司 | 一种基于移动机器人的室内气味源定位方法 |
| CN105608697A (zh) * | 2015-12-24 | 2016-05-25 | 电子科技大学 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
| CN106326188A (zh) * | 2016-08-31 | 2017-01-11 | 中国人民解放军信息工程大学 | 基于反向学习半径粒子群优化的任务划分系统及其方法 |
| 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 |
| CN110568140A (zh) * | 2019-08-02 | 2019-12-13 | 浙江工业大学 | 一种基于机器仿生鱼的污染源探查定位方法 |
| CN110653831A (zh) * | 2019-09-19 | 2020-01-07 | 常熟理工学院 | 用于地下综合管廊的多寻味机器人及危险气体泄漏源定位系统和方法 |
| CN110927342A (zh) * | 2019-12-12 | 2020-03-27 | 中国计量大学 | 一种基于天牛须搜索算法的大气污染物溯源方法 |
-
2020
- 2020-07-27 CN CN202010730657.9A patent/CN111859688A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130208262A1 (en) * | 2010-10-06 | 2013-08-15 | Tea Sistemi S.P.A. | Method for monitoring fugitive gas emissions from the soil, via vertical concentration measurements |
| CN105022406A (zh) * | 2015-06-29 | 2015-11-04 | 徐州工程学院 | 基于改进细菌觅食算法的多机器人协作气味源定位方法 |
| CN105277593A (zh) * | 2015-11-16 | 2016-01-27 | 江苏拓新天机器人科技有限公司 | 一种基于移动机器人的室内气味源定位方法 |
| CN105608697A (zh) * | 2015-12-24 | 2016-05-25 | 电子科技大学 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
| CN106326188A (zh) * | 2016-08-31 | 2017-01-11 | 中国人民解放军信息工程大学 | 基于反向学习半径粒子群优化的任务划分系统及其方法 |
| 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 |
| CN110568140A (zh) * | 2019-08-02 | 2019-12-13 | 浙江工业大学 | 一种基于机器仿生鱼的污染源探查定位方法 |
| CN110653831A (zh) * | 2019-09-19 | 2020-01-07 | 常熟理工学院 | 用于地下综合管廊的多寻味机器人及危险气体泄漏源定位系统和方法 |
| CN110927342A (zh) * | 2019-12-12 | 2020-03-27 | 中国计量大学 | 一种基于天牛须搜索算法的大气污染物溯源方法 |
Non-Patent Citations (2)
| Title |
|---|
| OSCAR ALVEAR 等: "Using UAV-Based Systems to Monitor Air Pollution in Areas with Poor Accessibility", HINDAWI JOURNAL OF ADVANCED TRANSPORTATION, 31 December 2017 (2017-12-31) * |
| 谢丽华 等: "基于无人机的大气污染物变步长溯源算法研究", 中国计量大学学报, vol. 31, no. 1, 31 March 2020 (2020-03-31) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113358817A (zh) * | 2021-04-22 | 2021-09-07 | 上海工程技术大学 | 一种基于气体浓度梯度驱动的气体源定位装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Optimal UAV path planning: Sensing data acquisition over IoT sensor networks using multi-objective bio-inspired algorithms | |
| CN106020189B (zh) | 基于邻域约束的空地异构机器人系统路径规划方法 | |
| CN109254303B (zh) | 基于激光扫描引导的电力线走廊快速巡检系统及方法 | |
| CN107392388A (zh) | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 | |
| CN111932813B (zh) | 一种基于边缘计算的无人机森林火灾侦察系统及工作方法 | |
| CN110597286B (zh) | 一种利用智慧机库实现输电线路无人机自主巡检的方法 | |
| CN114217632B (zh) | 自适应容错无人机跟踪巡航系统及方法 | |
| CN111679690B (zh) | 一种巡检无人机机巢分布及信息交互方法 | |
| Liu et al. | Study on UAV parallel planning system for transmission line project acceptance under the background of industry 5.0 | |
| CN112527010B (zh) | 基于人工势场与粒子优化的室内变电站无人机多机协同巡检方法 | |
| CN106971511A (zh) | 一种基于飞行器的大气污染物监测与预警系统及方法 | |
| CN111859688A (zh) | 一种基于压抑心理函数的多飞行器协同追溯气味源方法 | |
| CN116026778B (zh) | 一种基于天空地的园区碳排放综合监控系统和方法 | |
| Zhang et al. | Ensemble framework by using nature inspired algorithms for the early-stage forest fire rescue—A case study of dynamic optimization problems | |
| CN112650292A (zh) | 一种面向工业园区污染源监测的多无人机路径优化方法 | |
| Yu et al. | 3D deployment of Multi-UAV for energy-saving: A game-based learning approach | |
| CN115454132A (zh) | 一种面向山地光伏电站的无人机巡检三维路径规划方法及系统 | |
| CN115935610A (zh) | 一种架空线路无人机巡检策略优化方法和系统 | |
| Rjoub et al. | Early wildfire detection using UAVs integrated with air quality and LiDAR sensors | |
| CN116754722A (zh) | 一种基于无人机实现碳排放监测的方法及系统 | |
| CN112580893A (zh) | 一种基于改进遗传算法的多无人机大气监测路径规划方法 | |
| CN114967761B (zh) | 一种植保无人机作业的智能控制方法及系统 | |
| CN115046541A (zh) | 一种地下矿山环境下的拓扑地图构建与矿车定位系统 | |
| CN110413656B (zh) | 一种基于高空间分辨率数值模式的急流轴自动识别方法 | |
| CN112966361B (zh) | 一种面向高架和非高架点源的多无人机监测路径优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230619 Address after: Room 1406, Building 2, Shidai Mountain Business Building, Qiantang New District, Hangzhou City, Zhejiang Province, 310000 Applicant after: HANGZHOU CUNLAN TECHNOLOGY Co.,Ltd. Address before: 310018 Room 308, 3 / F, No.5 standard workshop, zhongceyuan, No.1, No.8 street, Hangzhou Economic and Technological Development Zone, Hangzhou City, Zhejiang Province Applicant before: Zhejiang Liangda Intelligent Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |