CN111912393A - 基于水面移动机器人的水文环境监测方法 - Google Patents
基于水面移动机器人的水文环境监测方法 Download PDFInfo
- Publication number
- CN111912393A CN111912393A CN202010838034.3A CN202010838034A CN111912393A CN 111912393 A CN111912393 A CN 111912393A CN 202010838034 A CN202010838034 A CN 202010838034A CN 111912393 A CN111912393 A CN 111912393A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- sampling
- path
- area
- hydrological environment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 72
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 109
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 230000001413 cellular effect Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 4
- 230000003370 grooming effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于水面移动机器人的水文环境监测方法,包括以下步骤:(S1)将待监测区域按照元胞分解法进行均匀分割,根据均匀分割后待监测区域确定代表性的采样点;(S2)采用基于最小生成树的方法进行采样点的路径规划,确定水面移动机器人的采样监测移动路径;(S3)水面移动机器人按照采样监测移动路径进行均匀采样,获取整个水域所有采样点的水文环境数据。该方法针对有限资源下的数据采集获取,对于移动传感器采集的,具有噪声的水文环境数据,具有良好的表达能力和可信赖的数据敏感度。
Description
技术领域
本发明属于路径规划技术领域,涉及环境监测领域,提供了一种基于水面移动机器人的水文环境监测方法,具体涉及一种水面移动机器人携带相关传感器来自动化的完成水文环境的监测和评估。
背景技术
水文环境监测对于研究水文生态,监测家畜,人的饮用水源的质量,灌溉等作用十分广泛。传统水文环境监测,往往采用人工采集的方式来采集水文环境数据。这种水文数据采集方式费时费力且采集的数据不具有代表性。采集到的水文环境数据通常通过离线方式,由专业人士在实验室完成相关指标分析。对于水文环境中变化较快的指标,离线水文数据分析方式不够及时,不能准确的反映监测时间点的水文环境指标。
在水文环境领域,相关研究单位和环境监测部门已经开始通过布设固定水文环境监测基站的方式替代人工的水文环境监测。通过这种方式,已经能够实现水文环境数据的在线收集。虽然这种方式节省了空间损耗,但是水文数据依然是离线处理,无法满足监测时效性的要求。
近年来,无人船已经开始广泛用于水体监测。这种采用移动节点代替固定水文监测基站的方式提高了水文监测的空间监测效率。
为了实现水文环境的快速监测,需要重点研究水文环境中的典型有代表性的区域。水文环境的代表性区域的选择技术是实现代表性区域选择的重要技术。传统的代表性区域选择方式是对空间进行均匀划分,把划分出的区域当作感兴趣区域进行监测,采集到的数据就作为能够代表整个水文环境的标志性数据。
通过某种划分方式,得到感兴趣区域后,移动水面无人船等为了实现整体水文环境的监测,需要对代表性的区域进行遍历。这是一个典型的货郎担问题(Travel SalesmanProblem)。针对这个问题,大量的路径规划器被设计出来,用于给移动无人船等提供一条快速访问所有代表性区域的路径。
发明内容
本发明针对上述问题,提供了一种基于水面移动机器人的水文环境监测方法,可以适用于给定能源和路径损耗限制的情况水文环境资源信息的收集。本发明提出的方法对于移动传感器采集的,具有噪声的水文环境数据,具有良好的表达能力和可信赖的数据敏感度。
本发明的目的在于提供一种基于水面移动机器人的水文环境监测方法,其特征在于所述方法包括以下步骤:
(S1)将待监测区域按照元胞分解法进行均匀分割,根据均匀分割后待监测区域确定代表性的采样点;
(S2)采用基于最小生成树的方法进行采样点的路径规划,确定水面移动机器人的采样监测移动路径;
(S3)水面移动机器人按照采样监测移动路径进行均匀采样,获取整个水域所有采样点的水文环境数据。
优选的技术方案中,所述方法还包括:
(S4)在获取整个水域所有采样点的水文环境数据之后确定重点监测区域的步骤。
优选的技术方案中,所述方法还包括:
(S5)采用货郎担算法确定重点监测区域内采样点的遍历路径;以及,
(S6)水面移动机器人按照遍历路径重复对重点监测区域的采样点进行重复采样。
优选的技术方案中,所述方法步骤(S1)中,
元胞分解法采用的基础分解单元为六边形网格,整个待监测区域为若干个相同大小的六边形网格依次排列而成,六边形网格中心为水域环境中代表性采样点的位置。
优选的技术方案中,所述方法步骤(S2)中最小生成树按照如下方式生成:
假设以上下左右相邻的4个六边形网络为多边形监测区域,确定最小生成树的节点规则为:
1)如果一个多边形监测区域内只有一个采样点,则该区域不会产生构成最小扩展树的节点;
2)如果一个多边形监测区域内有4个采样点,则该区域四个采样点的交点为最小扩展树的节点;
3)如果一个多边形监测区域内有2个采样点,则两个采样点其中任意一个所在的六边形网络的邻边的中心点为最小扩展树的节点;
4)如果一个多边形监测区域内有3个采样点,则3个采样点其中相邻两个所在的六边形网络的邻边的中心点作为最小扩展树的节点;
以这些节点为最小生成树的节点和节点之间的连线为边,构造最小生成树。
优选的技术方案中,所述方法步骤(S2)中基于最小生成树进行路径规划的方法按照如下进行:
以构造生成的最小生成树为骨干,从出发点开始,顺时针或逆时针环游整个最小生成树,回到出发点,构成路径闭环,所生成的路径即为采样点的路径规划。
优选的技术方案中,所述方法步骤(S2)中采样点的路径规划具体步骤为:
S21)以采样路径的初始节点为机器人开始移动的初始点,然后以该初始点顺时针方向,寻找离自己最近的六边形网络的采样点,从中找出中心离最小扩展树的边最近的采样点,作为监测路径的下一个节点;
S22)将初始节点和新的节点构成连线;
S23)如果新生成的路径的连线与最小扩展树的边有交叉,则去除本次迭代得到的点和连线,继续寻找离最小扩展树的边次远的采样六边形中心作为扩展点,否则从新的节点继续寻找监测路径的下一个节点;
S24)如此往复,直到所有新的监测路径的扩展边和扩展点;直到初始点重新被添加到监测路径中,构成一个闭环的移动机器人监测路径。
优选的技术方案中,所述方法中采样点采集的水文环境数据包括水文环境指标的范围、频率、幅度。
优选的技术方案中,所述方法步骤(S5)中采用货郎担算法构建重点监测区域内采样点的遍历最短路径。
本发明的另一目的在于提供一种基于水面移动监测机器人的水文环境监测系统,其特征在于,所述系统包括:
区域分割模块,用于将待监测区域按照元胞分解法进行均匀分割,根据均匀分割后待监测区域确定代表性的采样点;
路径规划模块,用于采用基于最小生成树的方法进行采样点的路径规划,确定水面移动机器人的采样监测移动路径;
采样模块,用于采样监测移动路径进行均匀采样,获取整个水域所有采样点的水文环境数据。
本发明对待检测区域进行均匀分割,采用六边形网络对环境进行分割,各个区域均为六边形或者相同的六边形网络,所获得的六边形中心为水文环境信息的初步采样的位置,且各个分割中心之间的距离相等。本发明通过环境均匀分割,可以对水域进行全面覆盖,减少采样点的遗漏造成数据的孤立。
本发明采用基于最小扩展树的方法进行移动传感器机器人的路径规划,可实现移动传感器(机器人)对环境的快速监测和遍历。
本发明采用的水文环境监测指标,融合了多个水文环境监测指标,考虑了监测过程中某些指标失效的情况,能够综合所有环境监测指标,对水文环境提供在线的定量分析。特别的基于反馈信息的重点区域采样,本发明能通过对水文环境监测指标的分析,实时获得重点监测区域的位置,能够使移动传感器(机器人)对重点区域的快速重复遍历,从而提高环境信息的采集精确度。
相对与传统的水文环境监测方法,本发明的有益效果为:
本发明提供了一种基于水面移动监测机器人的水文环境监测系统。该系统集成了一个新颖的水面移动机器人环境信息采集路径规划模块,一个能够实现实时水文环境监测的水文环境监测指数,以及一个基于实时反馈的重点区域监测。该路径规划模块能够实现对环境的均匀分割,同时采用一种路径规划算法,对分割的各个区域能够实现快速遍历,使机器人在资源受限的情况下快速获取环境信息。本发明提出了一种新颖的水文环境监测指数,该指数避免了对多种水文环境监测指标逐一分析带来的效率低下的问题,能够实现对环境指标的快速评价,因而能够对环境监测提供实时的反馈。通过实时反馈,对重点区域进行重复采样,能够进一步提高采集信息的准确性,提高水文环境监测的准确性。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明水文环境的六边形网络均匀划分实例;和路径规划
图2为本发明构造最小生成树获得的最小扩展树示意图;
图3为本发明构造最小生成树的节点生成规则示意图;
图4为本发明基于最小扩展树生成的移动机器人监测路径示意图;
图5为本发明重点区域监测的路径规划示意图;
图6为本发明基于水面移动机器人的水文环境监测方法具体流程示意图。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
应当理解,尽管本文可以使用术语“第一”、“第二”等来描述各种元件,并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。这些术语仅用于将一个元件和另一个元件区分开。例如,在不脱离本申请的范围的情况下,第一元件可以被称为第二元件,并且类似地,第二元件可以被称为第一元件。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例
本实施例提出的路径规划器和水文环境指数部署在一个水面移动机器人平台上。该平台携带了水文环境监测所需的传感器,如ph值,氧饱和度传感器等。水面移动机器人可以在水面上自由移动,同时能够固定在水面某个位置,方便机器人收集该点的水文环境数据。本发明的目的是提供一种基于水面移动机器人的水文环境监测方法。主要提出一种水文环境监测路径规划器,该规划器能够找到所要调研区域的有感兴趣区域的位置;并产生一条在给定能源和路径损耗的情况下,移动传感器能够访问所有代表性区域的最优路径。感兴趣区域是通过元胞分解法分解整个监测区域产生,每个元胞由六角形组成。采用基于扩展树的规划方法产生访问路径,所有的感兴趣性区域可以被传感器节点沿着访问路径访问。
如图6所示,所述方法包括以下步骤:
(S1)将待监测区域按照元胞分解法进行均匀分割,根据均匀分割后待监测区域确定代表性的采样点;
(S2)采用基于最小生成树的方法进行采样点的路径规划,确定水面移动机器人的采样监测移动路径;
(S3)水面移动机器人按照采样监测移动路径进行均匀采样,获取整个水域所有采样点的水文环境数据;
(S4)在获取整个水域所有采样点的水文环境数据之后确定重点监测区域的步骤;
(S5)采用货郎担算法确定重点监测区域内采样点的遍历路径;以及,
(S6)水面移动机器人按照遍历路径重复对重点监测区域的采样点进行重复采样。
首先,对本发明的水文环境监测指标进行说明。
大多数的水文环境监测指标侧重于对水文环境特征的线下评估。本发明技术方案中数据采集过程中,水文环境数据是一个一个被量测的记录。每条记录包括采样时间,采样位置,以及多个水文环境的数据指标。本发明提出的水文环境监测指标可以提供在线的评估,使水文环境监测人员能够快速的获得水环境的数据。
假设对同一环境,采用本发明提出的水文环境监测方法,可以对环境进行了m次重复数据采集,则每个采样点的所有水文环境指标都有m个采样值。本发明提出的水文环境监测指标主要由于以下三个评估参数构成:
(1)范围(scope):水质量指标应该满足一定的范围,如酸碱度ph值,在无污染的水文环境中,应该符合[6.5,9]的范围。超过该范围则被认为是一个无效的水文环境指标。scope指标评估了在感兴趣时间段内,符合要求的水质量指标的比例。假设有n个水文环境指标,对任何一个采样点p,若m次测试中,某个指标不符合范围,则该指标失效。也即,scope指的是某个采样点的n个水文监测指标中,失效指标的比例,用公式可以表示为:
(2)频率(frequency):该指标代表了在某个采样点,所有的m次现场试验中,所获得数据符合范围要求的数据的比例,用公式可以表示为:
(3)幅度(amplitude):该指标主要定义了失效的实验偏离了正常要求的程度,该指标的计算主要通过三部分进行:
对于某个数据指标,无效的数据距离它可接受的范围的偏差,被定义为“偏差”,当无效的数据值高于其参考范围的上限时,有:
无效数据的变量值低于其参考范围的下限时,有:
另一个指标为归一化偏差和(NSE),被定义为偏差的平均值,可通过公式定义为:
第三个指标为幅度因子,即将NSE的值通过一个渐进函数缩放到0-100之间,可通过公式定义为:
本发明提出的水文监测指标:该指标范围在0-100之间。高分的值代表更好的水质量。通过如下公式定义:
为了实现在线的水文信息采集,本发明提出的水文监测指标被表达成了其解析形式。
采用统一的水文监测指标可以方便后续对水文监测数据的统一处理。
其次,介绍本发明提出的路径规划算法:
假设所监测的水域环境被认为是一个平面,水文环境特征的监测是根据对所有采样点数据的综合分析得到。如图1所示,将水文环境基于六边形网格进行均匀分割。为了描述整个待监测区域,尤其是对于预先环境模型未知的监测区域,通常是通过对环境信息均匀的进行采样得到整个环境的数据。为了实现对环境的均匀采样,通常需要对环境进行均匀分割。在本发明中,本发明采用六边形元胞分解法对待监测区域进行均匀分割。本发明提出的采样框架特点在于,能够实现采样点在监测环境中的均匀分布:通过六边形划分,采样点之间的距离都是相等的。
如图1所示,A1所示的粗线内部标记了带监测的水域环境。首先通过六边形元胞分解法,将监测环境划分成若干个六边形网格。网格中心P1点所示为水域环境中代表性采样点的位置。在标记和获得采样点之后,本发明提出了一种基于最小扩展树的路径规划方法,能够规划出一条不重复的路径,让机器人在能量受限的情况下快速的完成整个水域环境的监测。
为了实现移动节点对水域环境中感兴趣区域的监测,本发明提出了一种基于最小扩展树的移动监测传感器调度和路径规划方法。
本发明提出的路径规划方法是基于最小扩展树(Minimum spanning tree)算法,最小扩展树T包括节点V和连接节点的边。如图2中T1所示的树状结构所示为最小扩展树示意图。通过对水域环境的划分,得到了若干个感兴趣的六边形区域。
如图3所示,在本发明中,将每四个六边形元胞组成一个监测多边形(如图1中加深的黑色粗体网格所示),在一块多边形监测区域内,所包含的四个六边形,从左到右,从上倒下,依次被编号1,2,3,4。每个多边形区域则提供了构建最小扩展树所需的基本节点。特别注意的是,如果一个多边形监测区域内,只有一个需要监测的区域,则该区域不会产生构成最小扩展树的节点。
根据以下判别条件,给出最小扩展树的节点产生策略:
在多边形区域产生了节点后,最小生成树基于这些节点生成。本发明采用常用的最小扩展树方法,通过构建最小扩展树,将所有的节点连接起来。最小生成树是用于生成检测路径的算法。在相应的节点产生以后,采用Kruskal算法生成最小生成树的边,从而构成一个最小生成树。
常用的最小生成树的构建方法可以是Prim算法或者Kruskal算法。Prim算法的原理是假设有一个无向带权图G=(V,E),它的最小生成树为MinTree=(V,T),其中V为顶点集合,T为边的集合。求边的集合T的步骤如下:
①令U={u0},T={}。其中U为最小生成树的顶点集合,开始时U中只含有顶点 u0(u0可以为集合V中任意一项),在开始构造最小生成树时从u0出发。
②对所有u∈U,v∈(V–U)(其中u,v表示顶点)的边(u,v)中,找一条权值最小的边(u’,v’),将这条边加入到集合T中,将顶点v’加入集合U中。
③直到将V中所有顶点加入U中,则算法结束,否则一直重复以上两步。
本发明提出的路径规划算法是基于最小扩展树的方法,算法的思想是对最小扩展树实行包络获得最小扩展树的路径。采样路径产生的大体思路是:从出发点开始,顺时针或逆时针环游整个最小扩展树,回到出发点,从而构成路径闭环。所生成的路径即为扩展树的移动节点监测路径:从起点开始,规划器迭代的寻找下一个观测节点,直到规划器重新返回到出发点。如图4中R1所示的路径为基于最小扩展树生成的移动机器人监测路径,P0为起始采样点。
具体的,采样路径由一系列的代表性监测区域和他们之间的连接线构成,移动节点沿着采样路径进行环境监测。移动监测机器人的采样路径基于生成的最小扩展树产生。采样路径的初始节点为机器人开始移动的初始点P0,然后该初始点顺时针方向,寻找离自己最近的几个采样六边形,从中找出中心离最小扩展树的边最近的采样六边形的中心,作为监测路径的下一个节点。并将初始节点和新的节点构成连线。特别注意的是,新生成的路径的连线不可以与最小扩展树的边有交叉。若有,去除本次迭代得到的点和线段,寻找离最小扩展树的边次远的采样六边形中心作为扩展点,如此往复,知道满足新生成的线段和最小扩展树的任意边没有交叉。本次迭代得到了一个新的监测路径的扩展边和扩展点。本过程循环迭代,监测路径逐渐增长,直到初始点重新被添加到监测路径中,从而构成一个闭环的移动机器人监测路径R1。
本实施例可以实现重点区域的重复监测。在重复采样多次后,可以得到每个采样点的多个水文环境数据。为了提高区域监测的精确度,还需要对某些区域进行重点监测。如图5,A2所示的区域是通过对采样点采用本发明提出的数据采集方法获得的失效数据较多的部分,也即是水文环境指标较差,值得重点监测的区域。图5中的路径区域为重点监测区域之间和内部的遍历顺序。假设有四个区域(P,Q,S,T)需要进行重点监控,先将四个区域看作一个整体,首先将该问题看成一个旅行商问题(Travel Salesman Problem(TSP)),四个区域是旅行商需要遍历的位置。机器人从起点出发,最后需要回到原来出发的位置,通过这种方式确定四个区域的遍历顺序。确定遍历顺序后,将出发点也看作一个检测区域,分别找到区域之间最近的代表性检测节点,作为该区域的进入节点和离开节点。对每个区域(如P区域),确定了该区域的进入和离开节点后,仍然将内部其他节点看作要遍历的节点,将进入和离开节点看作旅行商问题的出发点和返回点(即:认为P区域中p1和p2之间的距离为0)。仍然采用旅行商问题的解法,在每个检测区域内部构建一条最短路径R2,如图5所示的重点区域监测的路径规划。
经多次仿真或多个环境试验证实,该方法监测获得的数据针对有限资源下的数据采集获取,能避免移动传感器的资源损耗,能适应多种水文环境,对于移动传感器采集的,具有噪声的水文环境数据,具有良好的在线数据收集能力,具有良好的表达能力和可信赖的数据敏感度。
综上所述,本发明提出了一种快速高效的水文环境监测移动传感器节点路径规划器外,还提出了一种有效的能够在线分析的水文环境指标。水文环境指标提供了一种表达水文环境信息的简洁方便的方式。它把众多的水文环境数据的测量数值汇总成一个数值评分。这个数值评分可用于对水文环境状态好坏的评估。本发明提出了一种在线的水文指标表达方式,可以在线的表达大批量数据的水文指标。本发明提出的方法对于移动传感器采集的,具有噪声的水文环境数据,具有良好的表达能力和可信赖的数据敏感度。
通过对感兴趣区域的监测以及采用本发明提出的指标的分析,可以分析出水文环境中的重点监测区域。本发明提出了一种对重点监测区域进行遍历的路径规划算法,可以帮助机器人详细的收集重点监测区域的水文环境信息,对整个监测区域的水文环境作出更好的评估。
本发明的主要目的是实现水文环境数据的快速准确获取。通过本方法采集到的水文数据可以从多方面贡献于水文环境监测,如通过对水环境中未知区域的监测构建环境模型。通过对水文数据的分析,设计水环境传感器的部署策略,实现对水文环境的长期监测;实现对微观水文环境改变的快速反应等等。
本发明的目的、优点和特点,将通过下面优选实施例的非限制性说明进行解释。这些实施例仅是应用本发明技术方案的典型范例,凡采取等同替换或者等效变换而形成的技术方案,均落在本发明要求保护的范围之内。
Claims (10)
1.一种基于水面移动机器人的水文环境监测方法,其特征在于所述方法包括以下步骤:
(S1)将待监测区域按照元胞分解法进行均匀分割,根据均匀分割后待监测区域确定代表性的采样点;
(S2)采用基于最小生成树的方法进行采样点的路径规划,确定水面移动机器人的采样监测移动路径;
(S3)水面移动机器人按照采样监测移动路径进行均匀采样,获取整个水域所有采样点的水文环境数据。
2.根据权利要求1所述的水文环境监测方法,其特征在于所述方法还包括:
(S4)在获取整个水域所有采样点的水文环境数据之后确定重点监测区域的步骤。
3.根据权利要求2所述的水文环境监测方法,其特征在于所述方法还包括:
(S5)采用货郎担算法确定重点监测区域内采样点的遍历路径;以及,
(S6)水面移动机器人按照遍历路径重复对重点监测区域的采样点进行重复采样。
4.根据权利要求3所述的水文环境监测方法,其特征在于所述方法步骤(S1)中,
元胞分解法采用的基础分解单元为六边形网格,整个待监测区域为若干个相同大小的六边形网格依次排列而成,六边形网格中心为水域环境中代表性采样点的位置。
5.根据权利要求3所述的水文环境监测方法,其特征在于所述方法步骤(S2)中最小生成树按照如下方式生成:
假设以上下左右相邻的4个六边形网络为多边形监测区域,确定最小生成树的节点规则为:
1)如果一个多边形监测区域内只有一个采样点,则该区域不会产生构成最小扩展树的节点;
2)如果一个多边形监测区域内有4个采样点,则该区域四个采样点的交点为最小扩展树的节点;
3)如果一个多边形监测区域内有2个采样点,则两个采样点其中任意一个所在的六边形网络的邻边的中心点为最小扩展树的节点;
4)如果一个多边形监测区域内有3个采样点,则3个采样点其中相邻两个所在的六边形网络的邻边的中心点作为最小扩展树的节点;
以这些节点为最小生成树的节点和节点之间的连线为边,构造最小生成树。
6.根据权利要求5所述的水文环境监测方法,其特征在于所述方法步骤(S2)中基于最小生成树进行路径规划的方法按照如下进行:
以构造生成的最小生成树为骨干,从出发点开始,顺时针或逆时针环游整个最小生成树,回到出发点,构成路径闭环,所生成的路径即为采样点的路径规划。
7.根据权利要求6所述的水文环境监测方法,其特征在于所述方法步骤(S2)中采样点的路径规划具体步骤为:
S21)以采样路径的初始节点为机器人开始移动的初始点,然后以该初始点顺时针方向,寻找离自己最近的六边形网络的采样点,从中找出中心离最小扩展树的边最近的采样点,作为监测路径的下一个节点;
S22)将初始节点和新的节点构成连线;
S23)如果新生成的路径的连线与最小扩展树的边有交叉,则去除本次迭代得到的点和连线,继续寻找离最小扩展树的边次远的采样六边形中心作为扩展点,否则从新的节点继续寻找监测路径的下一个节点;
S24)如此往复,直到所有新的监测路径的扩展边和扩展点;直到初始点重新被添加到监测路径中,构成一个闭环的移动机器人监测路径。
8.根据权利要求6所述的水文环境监测方法,其特征在于所述方法中采样点采集的水文环境数据包括水文环境指标的范围、频率、幅度。
9.根据权利要求3所述的水文环境监测方法,其特征在于所述方法步骤(S5)中采用货郎担算法构建重点监测区域内采样点的遍历最短路径。
10.一种基于水面移动监测机器人的水文环境监测系统,其特征在于,所述系统包括:
区域分割模块,用于将待监测区域按照元胞分解法进行均匀分割,根据均匀分割后待监测区域确定代表性的采样点;
路径规划模块,用于采用基于最小生成树的方法进行采样点的路径规划,确定水面移动机器人的采样监测移动路径;
采样模块,用于采样监测移动路径进行均匀采样,获取整个水域所有采样点的水文环境数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838034.3A CN111912393A (zh) | 2020-08-19 | 2020-08-19 | 基于水面移动机器人的水文环境监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838034.3A CN111912393A (zh) | 2020-08-19 | 2020-08-19 | 基于水面移动机器人的水文环境监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111912393A true CN111912393A (zh) | 2020-11-10 |
Family
ID=73278356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010838034.3A Pending CN111912393A (zh) | 2020-08-19 | 2020-08-19 | 基于水面移动机器人的水文环境监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111912393A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156936A (zh) * | 2021-01-27 | 2021-07-23 | 宁波工程学院 | 爬壁清洁机器人的路径规划算法 |
CN114001718A (zh) * | 2021-10-12 | 2022-02-01 | 山东华特智慧科技有限公司 | 基于智能测流机器人的水文监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045618A2 (zh) * | 2014-09-25 | 2016-03-31 | 苏州宝时得电动工具有限公司 | 自动行走设备及其路径规划方法 |
US20170057087A1 (en) * | 2014-05-02 | 2017-03-02 | Hanwha Techwin Co., Ltd. | Device for planning path of mobile robot and method for planning path of mobile robot |
CN109886509A (zh) * | 2019-03-29 | 2019-06-14 | 长春理工大学 | 一种移动多汇聚节点路径规划方法、系统及电子设备 |
WO2019227306A1 (zh) * | 2018-05-29 | 2019-12-05 | 上海海洋大学 | 一种以无人艇为载体的环境监测系统及其应用 |
CN110608740A (zh) * | 2019-09-06 | 2019-12-24 | 遵义师范学院 | 一种无人船舰路径规划方法 |
CN110941261A (zh) * | 2019-10-19 | 2020-03-31 | 中国海洋大学 | 一种自主式水下航行器多区域遍历路径规划方法 |
-
2020
- 2020-08-19 CN CN202010838034.3A patent/CN111912393A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170057087A1 (en) * | 2014-05-02 | 2017-03-02 | Hanwha Techwin Co., Ltd. | Device for planning path of mobile robot and method for planning path of mobile robot |
WO2016045618A2 (zh) * | 2014-09-25 | 2016-03-31 | 苏州宝时得电动工具有限公司 | 自动行走设备及其路径规划方法 |
WO2019227306A1 (zh) * | 2018-05-29 | 2019-12-05 | 上海海洋大学 | 一种以无人艇为载体的环境监测系统及其应用 |
CN109886509A (zh) * | 2019-03-29 | 2019-06-14 | 长春理工大学 | 一种移动多汇聚节点路径规划方法、系统及电子设备 |
CN110608740A (zh) * | 2019-09-06 | 2019-12-24 | 遵义师范学院 | 一种无人船舰路径规划方法 |
CN110941261A (zh) * | 2019-10-19 | 2020-03-31 | 中国海洋大学 | 一种自主式水下航行器多区域遍历路径规划方法 |
Non-Patent Citations (1)
Title |
---|
LI TENG: "Rebotic path planning for environmental field estimation and its application in aquatic monitoring", 《HTTP://OPEN.LIBRARY.UBC.CA/MEDIA/STREAM/PDF/24/1.0373453/3》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156936A (zh) * | 2021-01-27 | 2021-07-23 | 宁波工程学院 | 爬壁清洁机器人的路径规划算法 |
CN114001718A (zh) * | 2021-10-12 | 2022-02-01 | 山东华特智慧科技有限公司 | 基于智能测流机器人的水文监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108701274B (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
Khajavi et al. | Predicting the carbon dioxide emission caused by road transport using a Random Forest (RF) model combined by Meta-Heuristic Algorithms | |
CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN112116160B (zh) | 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 | |
CN111912393A (zh) | 基于水面移动机器人的水文环境监测方法 | |
CN113625697B (zh) | 考虑任务能力变化的无人机集群可靠性评估方法和系统 | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
CN112215410B (zh) | 基于改进深度学习的电力负荷预测方法 | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策系统 | |
CN116929454A (zh) | 一种河流水质污染监测方法、介质及系统 | |
CN108537336A (zh) | 一种基于深度神经网络的空气质量预测方法 | |
CN114942140A (zh) | 基于多输入并行图卷积神经网络的滚动轴承故障诊断方法 | |
CN117787508A (zh) | 基于模型预测的建筑施工过程碳排放处理方法及系统 | |
CN106814162A (zh) | 一种室外空气质量解决方法和系统 | |
Coulibaly et al. | Explainability with association rule learning for weather forecast | |
CN114219157B (zh) | 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法 | |
CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
Seresht et al. | Application of fuzzy logic integrated with system dynamics in construction modeling | |
CN115293231A (zh) | 地区生态和谐随机森林预测方法 | |
CN114819344A (zh) | 一种基于关键影响因子的全局时空气象农灾预测方法 | |
CN113298304A (zh) | 基于多维气象预报因子图卷积的光伏发电功率预测方法 | |
Huang et al. | Air quality monitoring of landscape architecture based on multi-sensor fusion |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201110 |
|
RJ01 | Rejection of invention patent application after publication |