CN114112208A - 危化品泄露源定位方法、装置、设备及介质 - Google Patents
危化品泄露源定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114112208A CN114112208A CN202111136042.4A CN202111136042A CN114112208A CN 114112208 A CN114112208 A CN 114112208A CN 202111136042 A CN202111136042 A CN 202111136042A CN 114112208 A CN114112208 A CN 114112208A
- Authority
- CN
- China
- Prior art keywords
- robot
- information
- content information
- hazardous chemical
- chemical substance
- 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 67
- 239000000126 substance Substances 0.000 title claims abstract description 25
- 239000000383 hazardous chemical Substances 0.000 title claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000008447 perception Effects 0.000 claims abstract description 12
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 9
- XFXPMWWXUTWYJX-UHFFFAOYSA-N Cyanide Chemical compound N#[C-] XFXPMWWXUTWYJX-UHFFFAOYSA-N 0.000 claims abstract description 9
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims abstract description 9
- 229910002091 carbon monoxide Inorganic materials 0.000 claims abstract description 9
- 230000033001 locomotion Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 68
- 238000004422 calculation algorithm Methods 0.000 description 40
- 230000006870 function Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000002341 toxic gas Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000255789 Bombyx mori Species 0.000 description 1
- 241000588724 Escherichia coli Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
Landscapes
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了危化品泄露源定位方法、装置、设备及介质，方法包括：通过可移动的机器人上设置的传感器模块集合采集外界的环境信息；其中，所述环境信息包括甲烷含量信息、氰化物含量信息、硫化物含量信息、一氧化碳含量信息以及风速风向信息；对所述环境信息进行数据解析，得到待估计信息；采用多模态融合感知方法对所述待估计信息进行气体源位置估计，确定危化品泄漏源位置。本发明能够实现环境全覆盖，更加自主灵活，更加全面，能够更加准确地定位到气体源；相较于固定式传感器的定位方法，本发明不需要密集部署传感器，因此可以降低成本，可广泛应用于危化品泄露防控技术领域。
Description
技术领域
本发明涉及危化品泄露防控技术领域，尤其是危化品泄露源定位方法、装置、设备及介质。
背景技术
随着我国城市化的发展，现代城市系统越发关联复杂，如遇到突发灾害时不及时处理，将会造成严重的经济损失和人员伤亡。比如当更为严重的易燃、易爆、有毒气体泄漏时，如果不及时找到泄漏源，很有可能造成灾害链发，引起火灾爆炸等，严重威胁了人身安全及财产安全。若在灾害发生初期时，利用移动机器人快速准确地找到气体源，可以尽量减少灾害带来的损失。因而研究危化品泄漏场景下的灾害源定位技术具有重要意义。
针对于在危化品泄漏场景下室内定位技术，现存的定位技术主要有三种：传统的环境监控系统、无线传感网络定位技术、小型移动机器人室内定位技术。传统的环境监控系统主要以有线的方式在空间中布局传感器，其主要缺点是花费成本较高，并且在灾害发生时很可能导致线路损坏从而监测不到数据；无线传感网络定位技术主要以无线的方式进行传感器的部署，其主要缺点是需要密集部署，并且成本较高；小型移动机器人室内定位技术的主要思路是将移动机器人作为载体平台，搭载多个不同种类的传感器，对环境进行多方面感知，从而推测气体源具体的位置。同时，在危化品泄漏时，气味源定位的任务对于人类来说过于危险，如果此时将机器人送进危险环境，进行自主式搜寻作业，是一个不错的选择。因而以机器人移动平台作为载体，搭载多传感器的室内定位技术在灾害救援中的作用十分巨大。
现有的小型移动机器人室内定位技术中，仍存在诸多问题与挑战，第一，传感信息较为单一，目前主流气体源定位算法主要依据浓度信息来推测气体源的位置，其信息种类单一，无法对环境进行多方面感知；第二，寻源时间较长，计算复杂度高不适用于灾害应急场景。第三，灾害场景环境复杂，包括地形复杂、网络条件差等因素。
发明内容
有鉴于此，本发明实施例提供一种更加准确且成本低的危化品泄露源定位方法、装置、设备及介质。
本发明的一方面提供了一种危化品泄露源定位方法，包括：
通过可移动的机器人上设置的传感器模块集合采集外界的环境信息；其中，所述环境信息包括甲烷含量信息、氰化物含量信息、硫化物含量信息、一氧化碳含量信息以及风速风向信息；
对所述环境信息进行数据解析，得到待估计信息；
采用多模态融合感知方法对所述待估计信息进行气体源位置估计，确定危化品泄漏源位置。
可选地，所述通过可移动的机器人上设置的传感器模块集合采集外界的环境信息，包括：
通过控制机器人的停止运动，在第一时间段内采集气体浓度；
根据所述第一时间段内采集的气体浓度，创建临近索引；
其中，所述临近索引用于量化机器人与泄漏源的距离。
可选地，所述临近索引的计算公式为：
PI＝Kμ*μ+KP*P(ΔTP)
其中，Kμ和KP是两个常数值；μ为气体传感器在固定时间窗内采集到的信号的平均值；P为气体浓度峰值的总和；ΔTP是采集的时间被分割的窗的长度。
可选地，所述方法还包括：
根据所述临近索引的值，判断所述临近索引的值是否小于初始临近指数阈值，若是，则控制所述机器人沿当前螺旋轨迹进行螺旋运动，以继续采集环境信息；若否，则将所述临近索引的值作为新的临近指数阈值，并启动一个新的螺旋轨迹，控制所述机器人沿所述新的螺旋轨迹进行螺旋运动，以采集环境信息；
其中，所述机器人根据临近索引的值开启不同的螺旋运动，并根据所述机器人上的传感器在特定时间窗内采集环境信息。
可选地，所述方法还包括降低临近指数阈值的步骤，该步骤包括：
当所述机器人连续四次沿当前螺旋轨迹进行螺旋运动时，将所述临近指数阈值替换为所述初始临近指数阈值；
当所述机器人连续两次沿当前螺旋轨迹进行螺旋运动，且连续两次的临近索引的值均小于临近指数阈值的一半时，将所述临近指数阈值替换为所述初始临近指数阈值的一半。
可选地，所述方法还包括：
当所述机器人连续四次以上沿当前螺旋轨迹进行螺旋运动时，控制所述机器人随机旋转一个随机角度；
控制所述机器人沿所述随机角度行进预设距离，并基于所述机器人的当前运行轨迹重启数据采集过程。
可选地，所述方法还包括：
在所述机器人停止运动采集环境信息的时候，同步采集风向风速数据；
根据所述风向风速数据的平均值，确定所述机器人的下一步移动坐标。
本发明实施例的另一方面提供了一种危化品泄露源定位装置，包括：
第一模块，用于通过可移动的机器人上设置的传感器模块集合采集外界的环境信息；其中，所述环境信息包括甲烷含量信息、氰化物含量信息、硫化物含量信息、一氧化碳含量信息以及风速风向信息；
第二模块，用于对所述环境信息进行数据解析，得到待估计信息；
第三模块，用于采用多模态融合感知方法对所述待估计信息进行气体源位置估计，确定危化品泄漏源位置。
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例通过可移动的机器人上设置的传感器模块集合采集外界的环境信息；其中，所述环境信息包括甲烷含量信息、氰化物含量信息、硫化物含量信息、一氧化碳含量信息以及风速风向信息；对所述环境信息进行数据解析，得到待估计信息；采用多模态融合感知方法对所述待估计信息进行气体源位置估计，确定危化品泄漏源位置。本发明采用可移动的机器人来进行环境信息采集，能够实现环境全覆盖，更加自主灵活；另外，本发明可采集的环境信息包括甲烷含量信息、氰化物含量信息、硫化物含量信息、一氧化碳含量信息以及风速风向信息，更加全面；再有，本发明采用多模态融合感知方法可以更深次的掌握环境信息，从而更加准确地定位到气体源；相较于固定式传感器的定位方法，本发明不需要密集部署传感器，因此可以降低成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的完整系统架构示意图；
图2为本发明实施例提供的SPIRAL算法实施过程示意图；
图3为本发明实施例提供的SPIRAL算法的流程图；
图4为本发明实施例提供的infotaxis算法的移动策略示意图；
图5为本发明实施例提供的infotaxis算法的步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明实施例提供了一种危化品泄露源定位方法，包括：
通过可移动的机器人上设置的传感器模块集合采集外界的环境信息；其中，所述环境信息包括甲烷含量信息、氰化物含量信息、硫化物含量信息、一氧化碳含量信息以及风速风向信息；
对所述环境信息进行数据解析，得到待估计信息；
采用多模态融合感知方法对所述待估计信息进行气体源位置估计，确定危化品泄漏源位置。
可选地，所述通过可移动的机器人上设置的传感器模块集合采集外界的环境信息，包括：
通过控制机器人的停止运动，在第一时间段内采集气体浓度；
根据所述第一时间段内采集的气体浓度，创建临近索引；
其中，所述临近索引用于量化机器人与泄漏源的距离。
可选地，所述临近索引的计算公式为：
PI＝Kμ*μ+KP*P(ΔTP)
其中，Kμ和KP是两个常数值；μ为气体传感器在固定时间窗内采集到的信号的平均值；P为气体浓度峰值的总和；ΔTP是采集的时间被分割的窗的长度。
可选地，所述方法还包括：
根据所述临近索引的值，判断所述临近索引的值是否小于初始临近指数阈值，若是，则控制所述机器人沿当前螺旋轨迹进行螺旋运动，以继续采集环境信息；若否，则将所述临近索引的值作为新的临近指数阈值，并启动一个新的螺旋轨迹，控制所述机器人沿所述新的螺旋轨迹进行螺旋运动，以采集环境信息；
其中，所述机器人根据临近索引的值开启不同的螺旋运动，并根据所述机器人上的传感器在特定时间窗内采集环境信息；
可选地，所述方法还包括降低临近指数阈值的步骤，该步骤包括：
当所述机器人连续四次沿当前螺旋轨迹进行螺旋运动时，将所述临近指数阈值替换为所述初始临近指数阈值；
当所述机器人连续两次沿当前螺旋轨迹进行螺旋运动，且连续两次的临近索引的值均小于初始临近指数阈值的一半时，将所述临近指数阈值替换为所述初始临近指数阈值的一半。
可选地，所述方法还包括：
当所述机器人连续四次以上沿当前螺旋轨迹进行螺旋运动时，控制所述机器人随机旋转一个随机角度；
控制所述机器人沿所述随机角度行进预设距离，并基于所述机器人的当前运行轨迹重启数据采集过程。
可选地，所述方法还包括：
在所述机器人停止运动采集环境信息的时候，同步采集风向风速数据；
根据所述风向风速数据的平均值，确定所述机器人的下一步移动坐标。
本发明实施例的另一方面提供了一种危化品泄露源定位装置，包括：
第一模块，用于通过可移动的机器人上设置的传感器模块集合采集外界的环境信息；其中，所述环境信息包括甲烷含量信息、氰化物含量信息、硫化物含量信息、一氧化碳含量信息以及风速风向信息；
第二模块，用于对所述环境信息进行数据解析，得到待估计信息；
第三模块，用于采用多模态融合感知方法对所述待估计信息进行气体源位置估计，确定危化品泄漏源位置。
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，对本发明实施例的具体实现原理进行详细说明：
目前有毒气体泄漏源定位技术方面仍存在诸多问题与挑战。第一，传感信息较为单一，目前主流气体源定位算法主要依据浓度信息来推测气体源的位置，其信息种类单一，无法对环境进行多方面感知。第二，寻源时间较长，计算复杂度高不适用于灾害应急场景。第三，灾害场景环境复杂，包括地形复杂、网络条件差等因素。针对以上问题，本发明将研究在有毒气体泄漏场景下的气体源定位算法以及“感知+计算+通信”一体化有毒气体源定位机器人。
本专利主要涉及到在灾害救援场景下的多传感器室内定位气体源技术，主要内容如下：
1、建立灾害感知系统
本发明设计了一个多传感器灾害感知系统，解决了传感信息单一的问题。具体分为三部分：算法层、软件层、硬件层。利用气体源定位算法推测出可能更接近气体源位置的真实坐标值，然后传入机器人导航模块实现机器人的移动路径规划，从而逐步逼近气体源。实现以机器人作为移动载体，利用气体传感器、风向风速传感器等传感器对环境进行全方位感知，以便提高定位的准确性。
2、气源定位导航算法设计
进行分模块化设计气体源定位导航算法，主要分为三个模块，第一个模块为多传感器信息融合模块，主要作用是对环境数据进行感知解析；第二个模块为气体源定位算法模块，设计SPIRAL定位气体源算法，利用多传感器信息融合模块中解析出的数据推测气源所在的位置；第三个模块为机器人导航模块，将气体源定位算法模块中的结果坐标传至此模块中，实现对机器人的控制，机器人将自主前进至目标点。
以下具体介绍技术方案。
本发明利用不同类型的传感器对外界环境进行感知，采集到可视化数据，将数据传输给计算中心进行数据分析，然后通过无线模块等实现业务传输，完成定位导航功能。如图1所示。移动载体电源为机器人和传感器提供电力，将传感数据输入到算法平台，首先调用信息融合模块，将传感器数据进行数据解析，然后进入气体源位置估计模块，估计出机器人下一步要走向的位置坐标，该坐标更有可能靠近气体源，然后将坐标信息传至机器人导航算法模块，实现定位及路径规划等功能。
下面详细介绍气体源定位模块：
气体源定位算法是核心内容，它的作用是在已知信息的情况下推断出更有可能靠近气体源的坐标点，将传感器采集的数据传至气体源定位算法模块中，从中计算出机器人下一步要走向的目标点，该目标点然后把目标点传至机器人导航算法模块，控制机器人移动至离源更近的地方，以此循环，直到找到气体源。本发明将设计并扩展SPIRAL算法，在原算法基础上结合E.coli算法将单模态感知扩展为多模态融合感知。
SPIRAL是一个受生物启发的搜寻气体源迭代舍入算法，该算法主要应用于缺乏强而稳定的气流的室内环境中。算法大概思路是，机器人沿着螺旋路径运动并且在一些特定位置的时间窗口处停下来，以便对气体进行采样。根据从获取信息中收集到的特征，机器人将计算一个称为邻近指数(PI)的值，以评估气体源与采样位置的接近程度。PI是根据所测信号的平均值以及所获取信号中存在的峰的测量值来计算的。如果与之前的测量结果相比，现在的测量结果离源更近了，机器人就会再开始一次螺旋运动，否则，它将继续当前的螺旋运动。通过这种方式，螺旋会传播到更接近源的地方。这种运动允许机器人可以在不依赖任何有关气流的信息的情况下接近发射气体源。
需要说明的是，由于信号波动很大，不能简单地通过瞬时气体浓度来量化接近源的程度。传感器反应时间较慢也使得机器人瞬时采集气体浓度更加困难。为了解决这个问题，SPIRAL算法使用停止运动来感知气体。当机器人不运动时，传感器采集数据，并且持续ΔT。每次采集后，都会创建一个索引(PI)称为临近索引。
索引是一个数字，用来量化机器人距离源的远近。PI与信号平均值和测量浓度的峰值有关，这些都代表了气体源附近气体分布的独特特征。构造PI参数的目的是将测量到的浓度峰值和气体浓度平均值混合在一个加权和中。PI的定义为：
PI＝Kμ*μ+KP*P(ΔTP)
Kμ和KP是两个常数值。μ为体传感器在固定时间窗内采集到的信号的平均值；P定义为气体浓度峰值(“峰值”为高于采集窗口测量的平均值的局部最大值)的总和，每一个都要乘以其自身的强度，注意这是在固定时间窗内(ΔT)测量的。采集时间窗(ΔT)被分为ΔTP间隔；对于每个间隔，最终和只考虑最高的峰值。ΔTP是采集的时间被分割的窗的长度。当峰值较低时，平均值(μ)被添加到PI中，以便捕捉到一些关于到源的距离的信息。在本实施例中，各参数值设定为：
Km＝1；KP＝0.5；DTP＝1
对于SPIRIAL算法的移动策略，该螺旋移动算法从昆虫的行为中获取灵感，在螺旋图形中重复固定地搜索。例如，蚕蛾交替进行固定和重复的运动来接触气味(投掷)，然后再逆风移动(冲击)。SPIRAL基本上是一种投射(螺旋运动)，有时会在搜寻过程中重新开始。根据计算出来的PI的值来判断是否要重新开始螺旋运动。其算法执行示意图如图2所示，当PI值大于先前测量的索引值时，此时称为hit并开启一个新螺旋运动，否则称为miss，继续当前螺旋运动。
图3展示了SPIRAL算法的处理流程图。具体地：机器人沿着螺旋运动，在每个螺旋臂的末端，机器人停止运动并开始采集数据。通过采集到的数据机器人计算临近索引的值(PI)，这个值将考虑到浓度峰值的强度和信号的平均值。机器人有一个存储的PI值称为TPI阈值临近指数)。如果下一个PI高于或等于TPI,则TPI刷新为新的PI值，并启动一个新的螺旋(我们称之为HIT)。否则，如果新的PI于TPI,则TPI不会刷新，而当前的螺旋会继续(我们称之为MISS)。
SPIRAL呈现以下额外的特点:
PI的最小阈值:mTPI(最小阈值PI)，这个阈值是HIT不被触发的最小PI值。本实验设定的参数为：mTPI＝0.1,TPI＝0.1
本发明还设置了降低TPI的机制。这种机制在两种不同的情况下被激活：1.连续四次MISS，在这种情况下,TPI参数被设置为mTPI.2.连续两次MISS且测量的PI值低于mTPI/2，在这种情况下,TPI被设置为mTPI/2。第一种机制是为了解决机器人在气体低浓度区域移动的问题，第二种机制是为了防止虚假的高气体测量值(高PI值)，这可能会降低SPIRAL的效率。
算法设计时还加入了随机移动的功能。当一个螺旋已经结束，并且在螺旋器间没有HIT发生，机器人会重置TPI，然后它旋转一个随机生成的角度。然后，机器人向前走一段距离(这个距离是一个设计参数，取决于环境的几何形状)。这些动作的目的当PI值不合适时，机器人随机探索环境。即使在我们的实验中很少触发这一机制，设计它是为了在PI值较低的范围较大室内环境中应用此算法。
本发明还对SPIRAL算法进行了相关改进，加入了风向风速数据，由单模态定位算法升级为多模态定位算法。当机器人停下来采集数据时，对风向数据进行三十次采集，求取其平均值，在计算下一步机器人移动的坐标时，方向设为平均风向，就此方向移动，以此循环，逐步找到气体源。
另外，本发明还能采用基于概率分布的方法进行气体源定位：
infotaxis是一种基于概率的算法，算法根据贝叶斯概率由先验信息推测气体源所在的位置，并加入信息熵元素，由香农熵可知，如果一个事件的不确定性越高，其熵值就越大，则若想确定这个事件到底会不会发生，就需要获得关于这个事件的大量的信息。若想确定气体源所在的位置，则机器人需要向着熵减最大的方向前进，当找到气体源时，熵值为0。
1.气体源位置分布
本实施例将地图划分为网格，设机器人走过的轨迹为Tt，则每个网格中根据轨迹Tt推测出存在源的概率为P(rsrc|Tt)，其信息熵为
P(rsrc|Tt)为后验概率，可由贝叶斯公式推得：
P(Tt|rsrc)为源分布似然函数。P(rsrc)为源的先验概率。假设似然函数由hits和misses构成，且二者相互独立，则
P(Tt|rsrc)＝ΠtP(h(rt)|rsrc)
当在时间t时刻位置rt检测到miss时h(rt)＝0当在时间t时刻位置rt处检测到hit时h(rt)＝1.假设hit的次数服从泊松分布，则
λ(rt，rsrc)＝R(rt，rsrc)Δt为在时间窗Δt刻位置rt处期望的平均hit的次数。
对于二维环境：
其中，R为气体分子释放的速率，τ为粒子生命周期，D为有效扩散系数，V为风矢量，K0修正的零阶贝塞尔函数，a为机器人的尺寸。
由上述可递推得，当行走轨迹为Tt+1，后验概率P(rsrc|Tt+1)由P(rsrc|Tt)和P(h(rt+1)|rsrc)测出来，即：
P(rsrc|Tt+1)＝P(rsrc|Tt)P(h(rt+1)|rsrc)
2.移动策略
在每个时间窗中，机器人考虑9种可能的移动，如图4所示。
每一次移动前都会首先计算移动到此位置r′时找到源的概率Psrc found
Psrc notfound＝1-Psrc found
如果找到了源，信息熵S＝0，ΔSsrc found＝-St
假设移动到此位置r′时没有找到源，在这种情况下会采集到一个miss或者hit.Pmiss是通过平均所有可能的源位置上的miss概率来计算的，即：
然后将会计算出当移动至r′其源位置分布将会如何变化以及其熵值的变化，由上述公式得：
P(rsrc|Tt，miss at r′)＝P(h(r′)＝0|rsrc)P(rsrc|Tt)
P(rsrc|Tt，hit at r′)＝P(h(r′)＝1|rsrc)P(rsrc|Tt)
移动至r′时熵值得变化为：
ΔSsrc not found＝Pmiss(smiss-St)+Phit(shit-St)
最终计算出得熵减值为：
ΔSfull(move)＝Psrc foundΔSsrc found+Psrc not foundΔSsrc not found
在选择移动方向时，机器人只选择源位置分布熵最小的移动方向：
next move＝argminmove(ΔSfull(move))
移动后，将会继续采样一个hit和一个miss，并相应得更新源位置分布，然后再次进行移动选择过程，以此迭代，直到找到气味源。
本发明实施例的infotaxis算法的流程图如图5所示。
综上所述，本发明的气体源定位核心算法的作用是通过传感器感知到的环境数据，推算出更有可能靠近气体源的位置坐标。在气体源算法上本发明将单模态SPIRAL扩展到多模态SPIRAL，加入了风向信息，实现了多传感器信息融合，使定位更加准确。
与传统方法相比，利用移动机器人定位未知泄漏源具有以下优点。第一，自主移动更灵活。移动式传感气体源定位方法以机器人作为移动载体，可在环境中进行自主移动检测。第二，覆盖范围更全面。传感固定式传感定位方法无法进行环境全覆盖，而移动式传感气体源定位方法可以使机器人自由移动，进入一些狭窄区域，比如管道等。第三，传感模式更多样。通过在移动式机器人上搭载不同的传感器，对环境进行全方面、多方位的感知，从而进行多传感器信息融合，可以更深次的掌握环境信息，从而更加准确地定位到气体源。第四，降低应用成本，与固定式传感器气体源定位方法相比，不需要进行密集部署，从而降低了应用成本。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种危化品泄露源定位方法，其特征在于，包括：
通过可移动的机器人上设置的传感器模块集合采集外界的环境信息；其中，所述环境信息包括甲烷含量信息、氰化物含量信息、硫化物含量信息、一氧化碳含量信息以及风速风向信息；
对所述环境信息进行数据解析，得到待估计信息；
采用多模态融合感知方法对所述待估计信息进行气体源位置估计，确定危化品泄漏源位置。
2.根据权利要求1所述的危化品泄露源定位方法，其特征在于，所述通过可移动的机器人上设置的传感器模块集合采集外界的环境信息，包括：
通过控制机器人的停止运动，在第一时间段内采集气体浓度；
根据所述第一时间段内采集的气体浓度，创建临近索引；
其中，所述临近索引用于量化机器人与泄漏源的距离。
3.根据权利要求2所述的危化品泄露源定位方法，其特征在于，所述临近索引的计算公式为：
PI＝Kμ*μ+KP*P(ΔTP)
其中，Kμ KP两个常数值；μ为体传感器在固定时间窗内采集到的信号的平均值；P气体浓度峰值的总和；ΔTP是采集的时间被分割的窗的长度。
4.根据权利要求3所述的危化品泄露源定位方法，其特征在于，所述方法还包括：
根据所述临近索引的值，判断所述临近索引的值是否小于初始临近指数阈值，若是，则控制所述机器人沿当前螺旋轨迹进行螺旋运动，以继续采集环境信息；若否，则将所述临近索引的值作为新的临近指数阈值，并启动一个新的螺旋轨迹，控制所述机器人沿所述新的螺旋轨迹进行螺旋运动，以采集环境信息；
其中，所述机器人根据临近索引的值开启不同的螺旋运动，并根据所述机器人上的传感器在特定时间窗内采集环境信息。
5.根据权利要求4所述的危化品泄露源定位方法，其特征在于，所述方法还包括降低临近指数阈值的步骤，该步骤包括：
当所述机器人连续四次沿当前螺旋轨迹进行螺旋运动时，将所述临近指数阈值替换为所述初始临近指数阈值；
当所述机器人连续两次沿当前螺旋轨迹进行螺旋运动，且连续两次的临近索引的值均小于初始临近指数阈值的一半时，将所述临近指数阈值替换为所述临近索引的最小值的一半。
6.根据权利要求5所述的危化品泄露源定位方法，其特征在于，所述方法还包括：
当所述机器人连续四次以上沿当前螺旋轨迹进行螺旋运动时，控制所述机器人随机旋转一个随机角度；
控制所述机器人沿所述随机角度行进预设距离，并基于所述机器人的当前运行轨迹重启数据采集过程。
7.根据权利要求6所述的危化品泄露源定位方法，其特征在于，所述方法还包括：
在所述机器人停止运动采集环境信息的时候，同步采集风向风速数据；
根据所述风向风速数据的平均值，确定所述机器人的下一步移动坐标。
8.一种危化品泄露源定位装置，其特征在于，包括：
第一模块，用于通过可移动的机器人上设置的传感器模块集合采集外界的环境信息；其中，所述环境信息包括甲烷含量信息、氰化物含量信息、硫化物含量信息、一氧化碳含量信息以及风速风向信息；
第二模块，用于对所述环境信息进行数据解析，得到待估计信息；
第三模块，用于采用多模态融合感知方法对所述待估计信息进行气体源位置估计，确定危化品泄漏源位置。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111136042.4A CN114112208A (zh) | 2021-09-27 | 2021-09-27 | 危化品泄露源定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111136042.4A CN114112208A (zh) | 2021-09-27 | 2021-09-27 | 危化品泄露源定位方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114112208A true CN114112208A (zh) | 2022-03-01 |
Family
ID=80441470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111136042.4A Pending CN114112208A (zh) | 2021-09-27 | 2021-09-27 | 危化品泄露源定位方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114112208A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104828163A (zh) * | 2015-05-12 | 2015-08-12 | 中国安全生产科学研究院 | 一种危化品泄露事故应急监测移动机器人 |
| CN106918367A (zh) * | 2017-04-26 | 2017-07-04 | 河北工业大学 | 一种机器人主动搜寻定位气味源的方法 |
| US20180292374A1 (en) * | 2017-04-05 | 2018-10-11 | International Business Machines Corporation | Detecting gas leaks using unmanned aerial vehicles |
| 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 |
-
2021
- 2021-09-27 CN CN202111136042.4A patent/CN114112208A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104828163A (zh) * | 2015-05-12 | 2015-08-12 | 中国安全生产科学研究院 | 一种危化品泄露事故应急监测移动机器人 |
| US20180292374A1 (en) * | 2017-04-05 | 2018-10-11 | International Business Machines Corporation | Detecting gas leaks using unmanned aerial vehicles |
| CN106918367A (zh) * | 2017-04-26 | 2017-07-04 | 河北工业大学 | 一种机器人主动搜寻定位气味源的方法 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| ADAM T. HAYES 等: "Distributed Odor Source Localization", IEEE SENSORS JOURNAL, 30 June 2002 (2002-06-30), pages 260 - 271 * |
| GABRIELE FERRI 等: "SPIRAL: A novel biologically-inspired algorithm for gas/odor source localization in an indoor environment with no strong airflow", ROBOTICS AND AUTONOMOUS SYSTEMS, 20 July 2008 (2008-07-20), pages 393 - 402 * |
| 张思齐;崔荣鑫;徐德民;: "稀疏环境中信息趋向性搜索算法性能分析", 机器人, no. 04, 15 July 2013 (2013-07-15), pages 432 - 438 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ferri et al. | SPIRAL: A novel biologically-inspired algorithm for gas/odor source localization in an indoor environment with no strong airflow | |
| Hutchinson et al. | Information-based search for an atmospheric release using a mobile robot: Algorithm and experiments | |
| Ishida et al. | Remote sensing of gas/odor source location and concentration distribution using mobile system | |
| Yang et al. | Experimental study on three single-robot active olfaction algorithms for locating contaminant sources in indoor environments with no strong airflow | |
| JP5048077B2 (ja) | 周辺の環境変化に迅速に適応し、環境マップを作成することができる移動体の環境マップ作成装置及びその方法 | |
| KR101406175B1 (ko) | 이동로봇의 위치추정과 지도 작성 장치 및 방법 | |
| Feng et al. | Experimental study on a comprehensive particle swarm optimization method for locating contaminant sources in dynamic indoor environments with mechanical ventilation | |
| KR102561365B1 (ko) | 지중 배전선로의 이상징후를 탐지하는 딥러닝 감시시스템 | |
| Ramalingam et al. | IoT enabled smart industrial pollution monitoring and control system using raspberry pi with blynk server | |
| WO2021011729A1 (en) | Metal loss determinations based on thermography machine learning approach for insulated structures | |
| Kamarudin et al. | Integrating SLAM and gas distribution mapping (SLAM-GDM) for real-time gas source localization | |
| Lilienthal et al. | Creating gas concentration gridmaps with a mobile robot | |
| Lewis et al. | A comprehensive review of plume source detection using unmanned vehicles for environmental sensing | |
| WO2019021072A1 (en) | ADAPTIVE DETECTION OF GAS LEAK | |
| CN114112208A (zh) | 危化品泄露源定位方法、装置、设备及介质 | |
| Kansal et al. | Sensing uncertainty reduction using low complexity actuation | |
| CN114154383B (zh) | 基于认知搜索策略的多机器人源搜索方案生成方法及系统 | |
| Ojeda et al. | Robotic Gas Source Localization with Probabilistic Mapping and Online Dispersion Simulation | |
| Emery et al. | Adaptive Lévy Taxis for odor source localization in realistic environmental conditions | |
| Batog et al. | Odor markers detection system for mobile robot navigation | |
| JP2019082403A (ja) | 検査装置および検査方法 | |
| Worley et al. | Topological robot localization in a large-scale water pipe network | |
| Ma et al. | Autonomous plume Near-Source search assisted by intermittent visible plume information using finite state Machine and YOLOv3-tiny | |
| CN115856902A (zh) | 测距方法及相关装置 | |
| Wang et al. | An Exploration-Enhanced Search Algorithm for Robot Indoor Source Searching |
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 |