CN114326745A - 一种多机器人协同搜寻气体泄漏源的方法 - Google Patents

Abstract

本发明公开了一种多机器人协同搜寻气体泄漏源的方法，属于气体泄漏溯源技术领域。本发明采用粒子群算法整合多个智能机器人实时采集各自所处位置的气体浓度数据，并根据气体浓度数据独立调控对应机器人的运动轨迹，最终搜寻到区域内的气体泄漏源位置。采用本发明的技术方案能够有效解决多机器人协作运动复杂、机器人溯源时易陷入局部极值、且抗风干扰能力较差等问题，从而能够快速、精准搜寻到区域内的气体泄漏源位置，搜寻效率高，便于紧急情况下对抢修人员和逃生人员做出及时的位置指导。

Description

一种多机器人协同搜寻气体泄漏源的方法

技术领域

本发明属于气体泄漏溯源技术领域，更具体地说，涉及一种多机器人协同搜寻气体泄漏源的方法。

背景技术

气体泄漏源定位技术是借助仪器设备或其他方式搜寻有毒气体的泄漏位置的一项技术，该项技术能够避免因长时间有害气体泄漏而造成大面积的污染破坏，把经济损失减小至最低。现有气体泄漏源定位技术通常分为环境检测系统定位、无线传感网络定位、大型移动机器人定位和小型移动机器人定位四类，其中，环境检测系统定位和无线传感网络定位的定位代理的移动机动程度均较低，检测区域相对较广且固定，但定位精度较低；而大型移动机器人定位和型移动机器人定位的定位代理的移动机动程度均较高，且检测范围广阔且灵活，相对的定位精度也较高。

上述四种定位技术中，小型移动机器人定位依靠多个小型机器人作为一个自治群根据实时检测到的数据协同移动搜索，采用群体智能算法实现气体泄漏源的溯源定位，具有覆盖范围广、定位代理移动机动程度强、设备易移植等优点，机器人可以朝气体源方向群体移动并最终定位出气体泄漏源位置，且越接近泄漏源精度越高。许多学者在该技术领域做了深入研究，例如，采用装有气体传感器与风速计的移动机器人搜索泄漏源，如WisnuJatmiko等人基于嗅觉感知传感器，利用烟羽追踪算法实现气体源定位，又如DimitriZarzhitsky等人通过多机器人协同合作，能实现气体源定位等。虽然现有公开的相关技术可以较好地实现气体源的定位，但仍存在机器人溯源过程中，运动复杂，控制繁琐等缺陷，同时，不同技术对定位的精度和溯源的时间也更不相同，很难做到又快又精准地对气体泄漏源进行定位。

经检索，中国专利申请号为：201910886469.2，申请日为：2019年9月19日，发明创造名称为：用于地下综合管廊的多寻味机器人的危险气体泄漏源定位系统和方法。该申请案利用寻味机器人通过气体传感器阵列和摄像头，适时监测泄漏气体的浓度，并适时通过风速传感器采集到风向，风速，主机控制器通过判断气体泄漏源的方向，摄像头勘测方式，超声波传感器探测避障信息，实现自动寻找最优路径，最终主控制板驱动直流电机使得寻味机器人自主移动。该申请案通过多个机器人协作的方式，利用烟羽浓度梯度法搜索和机器人防碰撞机制来提高定位的精度，但该方法不可避免地会造成机器人协作运动复杂等缺点，同时其抗风能力较差，从而其定位精度有待进一步提高。因此，现急需一种协作运动简单，抗干扰能力好且定位精度高的气体源定位方法，已解决现有技术中存在的上述缺点。

发明内容

1.要解决的问题

本发明的目的在于克服采用现有小型移动机器人定位技术时，多机器人协作运动复杂、机器人溯源时易陷入局部极值、且抗风干扰能力较差等问题，提供了一种多机器人协同搜寻气体泄漏源的方法。采用本发明的技术方案能够有效解决上述问题，多机器人间协作运动简单，定位精度高，抗干扰能力强。

2.技术方案

为了解决上述问题，本发明所采用的技术方案如下：

本发明的一种多机器人协同搜寻气体泄漏源的方法，采用粒子群算法整合多个智能机器人实时采集各自所处位置的气体浓度数据，并根据气体浓度数据独立调控对应机器人的运动轨迹，最终搜寻到区域内的气体泄漏源位置。

更进一步的，主要包括如下步骤：

步骤一、确定搜寻区域范围，将n个智能机器人随机散落在搜寻区域内，n≥2；

步骤二、初始化每个智能机器人的位置矢量和速度矢量，并设定搜寻用时；

步骤三、获取每个智能机器人初始位置的气体浓度，将其各自位置处的气体浓度作为自己初始的个体浓度极值，个体浓度极值中数值最大的确定为全局浓度极值；

步骤四、根据搜寻用时确定智能机器人迭代更新的次数，并设定最小浓度界限；

步骤五、每个智能机器人根据自己初始的个体浓度极值进行迭代更新，具体迭代过程为：采用粒子群算法的速度及位置迭代公式更新自己的位置和速度，并获取下一个位置处的气体浓度来重新确定个体浓度极值以及全局浓度极值；

步骤六、智能机器人根据上一轮迭代结束后确定个体浓度极值及全局浓度极值，继续重复下一轮步骤五中的迭代过程，直至到达步骤四中设定的最大迭代更新的次数，结束搜寻，并输出全局浓度极值机器人所在的位置，即为气体泄漏源，若在迭代更新过程中，检测到某一点的个体浓度极值大于设定的最小浓度界限值，则提前结束搜寻，并输出该点位置坐标，即为气体泄漏源。

更进一步的，步骤五中，机器人i每次进行迭代时，其第d维的速度更新公式如下：

式(1)中，

是第k次迭代机器人i飞行速度矢量的第d维分量，0＜d≤2；w是惯性权值；p_id是机器人i的个体浓度极值位置矢量的第d维分量；g_d是全局浓度极值位置矢量的第d维分量；c₁、c₂是加速因子，都取2；r₁、r₂是两个随机数，取值范围为[0,1]，以增加搜索随机性；

机器人i每次进行迭代时，其第d维的位置更新公式如下：

式(2)中，

是k次迭代机器人i位置矢量的第d维分量，Δt是每次迭代所用的单位时间。

更进一步的，步骤五中，采用线性递减权值策略处理惯性权值w，具体公式如下：

式(3)中，w_min是最小惯性权值；w_max是最大惯性权值；t_max是算法总迭代次数；t是当前迭代数。

更进一步的，最大惯性权值w_max取0.95，w_min取0.4。

更进一步的，步骤六中，除全局浓度极值所在的智能机器人以外，有机器人停止了自主移动,即不再更新自己的个体浓度极值时，则对停止自主移动的机器人的个体浓度极值进行随机扰动。

更进一步的，步骤六中，进行随机扰动的机器人，设定的扰动公式如下：

式(4)中，

是第k次迭代机器人i获取得到的个体浓度极值所对应位置矢量的第d维分量；l为扰动量，在[-l_max,l_max]中随机取得，l_max为设定好的最大扰动量。

更进一步的，步骤一中，将多个机器人布置在搜寻区域的边缘位置处，并对搜寻区域建立坐标系。

更进一步的，步骤五中，重新确定个体浓度极值的方法为：

若每个机器人新获取的气体浓度值大于上一次的个体浓度极值，则对自己的个体浓度极值进行更新，即以新获取的气体浓度值为更新后的个体浓度极值，反之，则不进行更新，并沿用上一次的个体浓度极值；

重新确定全局浓度极值的方法为：

若多个新获取的气体浓度值中最大值大于上一次的全局浓度极值，则更新全局浓度极值，即以新获取的气体浓度值中最大值为更新后的全局浓度极值，反之，则不进行更新，并沿用上一次的全局浓度极值。

3.有益效果

相比于现有技术，本发明的有益效果为：

(1)本发明的一种多机器人协同搜寻气体泄漏源的方法，通过对整体操作步骤进行优化设计，在采用小型移动机器人定位基础上，引入粒子群算法，使得用一个迭代公式就可协调多个机器人的运动，使得搜寻过程中多机器人间的协作运动变得简单，从而能够更好地应用于对气体泄漏源的搜寻中，搜寻快速、高效、安全，成本低。

(2)本发明的一种多机器人协同搜寻气体泄漏源的方法，通过将粒子群算法具象化后应用到多个智能机器人协同搜寻泄漏源过程中。在经过泄漏源的射线上一点的气体浓度值越大，该点离气体泄漏源的位置就越近，因此机器人在不同位置探测气体浓度的过程可代表粒子群算法流程中粒子在不同位置计算适应度值的过程，且浓度越大适应度越好，适应度最好的点就是泄漏源所在的位置，从而能够有效提高搜寻效率。

(3)本发明的一种多机器人协同搜寻气体泄漏源的方法，通过对传统的粒子群算法进行改进，一方面，对每个机器人所在位置处的气体浓度值进行测量，并以当前浓度位置处的数据调整机器人的速度及位移矢量，从而有效提高了搜寻的精确性。另一方面，通过对机器人速度的惯性权值进行优化，采用线性递减权值策略对惯性权值进行优化，可以确保机器人群在具有气体浓度采集、信息储存、信息处理、信息交换功能的条件下，显著提高前期搜寻速度，提高后期搜寻精度，从而有利于在紧急情况下对急求人员和逃生人员做出及时的位置指导，具有较高的实用性。

(4)本发明的一种多机器人协同搜寻气体泄漏源的方法，考虑到在智能机器人在搜寻气体泄漏源的过程中，容易“困在”局部浓度极值不能进行自主移动，本发明通过添加适合情景的个体浓度极值扰动过程，使机器人快速接近泄漏源附近处后，进一步精确地定位泄漏源位置，削弱个体局部极值对搜寻过程的影响。同时，本发明的方法较传统的烟羽浓度梯度法搜索而言，其抗风干扰能力强，从而进一步提高其定位精度，实用性较好。

附图说明

图1为本发明的一种多机器人协同搜寻气体泄漏源的方法的主要操作流程图；

图2为本发明的实施例中机器人搜寻气体泄漏源的操作流程图；

图3为本发明的实施例中搜寻区域的平面示意图；

图4为本发明的实施例中气体泄漏源设置界面；

图5为本发明的实施例1中仿真结束后搜寻界面；

图6为实施例2～6及对比例1～5中仿真结果图。

具体实施方式

针对现有技术中采用多个小型移动机器人搜寻气体泄漏源时，存在机器人协同运动复杂、溯源时易陷入局部极值，且抗风能力较差的，从而导致定位精度较差的不足，本发明提供了一种多机器人协同搜寻气体泄漏源的方法，该方法采用粒子群算法整合多个智能机器人实时采集各自所处位置的气体浓度数据，并根据气体浓度数据独立调控对应机器人的运动轨迹，在经过泄漏源的射线上一点的气体浓度值越大，该点离气体泄漏源的位置就越近，因此机器人在不同位置探测气体浓度的过程可代表粒子群算法流程中粒子在不同位置计算适应度值的过程，且浓度越大适应度越好，适应度最好的点就是泄漏源所在的位置，最终精确定位区域内的气体泄漏源位置，具体方法包括如下步骤：

步骤一、确定搜寻区域范围，将n个智能机器人随机散落在搜寻区域内，n≥2；确定合适的搜寻区域，尽量将多个机器人布置在搜寻区域的边缘位置处，以使在同样的时间内搜寻更广的区域。同时对搜寻区域建立坐标系，便于后续找到气体泄漏源时输出其坐标值。

步骤二、初始化每个智能机器人的位置矢量和速度矢量，初始位置矢量即为机器人并设定搜寻用时，一次搜寻用时根据使用者实际需求来设定。

步骤三、获取每个智能机器人初始位置的气体浓度，将其各自位置处的气体浓度作为自己初始的个体浓度极值，个体浓度极值中数值最大的确定为全局浓度极值；

步骤四、根据搜寻用时确定智能机器人迭代更新的次数，并设定最小浓度界限；其中，通过用户设定的搜寻用时及机器人每次迭代更新的单位时间，即可得到机器人最大迭代更新的次数，最小浓度界限作为判断气体泄漏源的指标之一，当浓度高于用户设定的最小浓度界限，即表明很有可能在此处发生了气体泄漏，需要进一步处理。

步骤五、每个智能机器人根据自己初始的个体浓度极值进行迭代更新，具体迭代过程为：采用粒子群算法的速度及位置迭代公式更新自己的位置和速度，并获取下一个位置处的气体浓度来重新确定个体浓度极值以及全局浓度极值。

在每一次迭代的单位时间中，机器人通过动量惯性w、个体浓度极值位置pbest和全局浓度极值位置gbest来更新自己的速度与位置。具体的，机器人i每次进行迭代时，其第d维的速度更新公式如下：

式(1)中，

是第k次迭代机器人i飞行速度矢量的第d维分量，0＜d≤2；w是惯性权值；p_id是机器人i的个体浓度极值位置矢量(pbest)的第d维分量；g_d是全局浓度极值位置矢量gbest的第d维分量；c₁、c₂是加速因子，通常都取2；r₁、r₂是两个随机数，取值范围为[0,1]，以增加搜索随机性。

更优化的，步骤五中，每个机器人重新确定个体浓度极值(也即确定该浓度极值所处的位置矢量pbest)的方法为：若每个机器人新获取的气体浓度值大于上一次的个体浓度极值，则对自己的个体浓度极值进行更新，即以新获取的气体浓度值为更新后的个体浓度极值，反之，则不进行更新，并沿用上一次的个体浓度极值。

重新确定全局浓度极值(也即确定全局浓度极值所在位置处的位置矢量gbest)的方法为：若多个新获取的气体浓度值中最大值大于上一次的全局浓度极值，则更新全局浓度极值，即以新获取的气体浓度值中最大值为更新后的全局浓度极值，反之，则不进行更新，并沿用上一次的全局浓度极值。

确定机器人移动速度时，采用重新确定后的个体浓度极值位置矢量(pbest)的第d维分量p_id以及重新确定后的全局浓度极值位置矢量gbest的第d维分量g_d代入公式(1)中进行计算，得出机器人下一次移动的速度。

机器人i每次进行迭代时，其第d维的位置更新公式如下：

式(2)中，

是k次迭代机器人i位置矢量的第d维分量，Δt是每次迭代所用的单位时间。

在式(1)和式(2)的参数中，惯性权值w是最重要的。较大的权值有利于提高算法的全局搜索能力，而较小的权值会增强算法的局部搜索能力。本发明通过采用线性递减权值策略对惯性权值w进行处理，使算法在初期具有较强的全局搜索能力，收敛速度较快，随时间推移，机器人局部搜索能力逐步增强，搜寻的精度逐步提高，采用公式描述为：

式(3)中，w_min是最小惯性权值；w_max是最大惯性权值；t_max是算法总迭代次数；t是当前迭代数。申请人发现当w_max＝0.95、w_min＝0.4时，算法的收敛速度较快、精确度较高，本发明中沿用这两个取值。

此外，采用粒子群的速度与位置迭代公式来更新每个机器人的速度、位置和惯性权值，且机器人移动的速度还受算法内设定的最大速度v_max限制，并在[-v_max，v_max]内随机产生，该最大速度受限于机器人本身的移动性能，如果通过公式(1)计算得出的速度绝对值超过最大速度v_max，则令其等于v_max。

步骤六、智能机器人根据上一轮迭代结束后确定个体浓度极值及全局浓度极值，继续重复下一轮步骤五中的迭代过程，直至到达步骤四中设定的最大迭代更新的次数，结束搜寻，并输出全局浓度极值机器人所在的位置，即为气体泄漏源；若在迭代更新过程中，检测到某一点的个体浓度极值大于用户设定的最小浓度界限值，则提前结束搜寻，并输出该点位置坐标，即为气体泄漏源。

值得说明的是，传统粒子群算法优化后期由于各粒子难以摆脱局部极值，收敛速度变得缓慢，出现“聚集”现象，导致收敛精度较低，申请人在实验中发现，机器人在后期搜寻泄漏源时，快速移动到泄漏源附近的同一点后就不再进一步搜寻，且抗风能力相对较差，导致最终结果误差较大。为解决上述问题，申请人提出在机器人群按传统算法搜寻到一点“困住”之后实现如下操作效果：如果除本轮全局最优机器人(即探测出全局浓度极值的机器人)外，区域内某个机器人停止了自主移动(个体浓度极值保持不变，持续迭代步数达到T次)，则对其个体浓度极值进行扰动，强制其在下一次迭代时位置发生变化。当其到达新位置后，若探测到的气体浓度比全局浓度极值大，则其余机器人跟随到这一位置；若探测到的气体浓度比全局浓度极值小，则该机器人向探测出全局浓度极值的机器人所在位置移动。这样即实现了机器人群在快速移动到泄漏源附近后对泄漏源进一步的逼近。循环这个过程，直到迭代步数达到最大迭代步数或最大浓度满足最小界限为止。

对停止自主移动的机器人的个体浓度极值进行随机扰动。扰动公式如下：

式(4)中，

是第k次迭代i号机器人求得的个体极值位置矢量(pbest)的第d维分量；l是扰动量，在[-l_max,l_max]中随机取得，l_max为设定好的最大扰动量。

下面结合具体实施例对本发明进一步进行描述。

实施例1

如图1-5所示，本实施例的一种多机器人协同搜寻气体泄漏源的方法应用实例，采用事先设置好的仿真系统进行模拟，该仿真系统依托Java Swing图形用户界面设计工具包实现，可以对搜寻算法的搜寻时间、搜寻路线、搜寻精确度进行可视化展示和可用度评估。搜寻仿真系统包括：

(1)气体泄漏源的设置模块：该模块可以在进行搜寻仿真实验之前设置真实泄漏源位置，在实验后与算法输出位置比较，以此得到搜寻算法的精确度。

(2)监控区域内气体浓度可视化呈现模块：在设置真实泄漏源位置后，本模块会以涂色深浅的方式呈现监控区域内气体浓度的分布情况，以此可以直观地看出区域内气体泄漏源的分布情况和风向、风速的情况。

(3)机器人模拟模块：此模块用蓝色实心圆模拟机器人，在实心圆中心，用白色字体标记了机器人的序号。在搜寻过程中实心圆按照本发明中设定的算法模拟来机器人群执行搜寻行动，以此观察搜寻过程中机器人群的实时位置、速度情况。

(4)机器人群及其行驶路线的实时显示模块：该模块可在仿真搜寻过程中实时记录并用细线的形式在区域内描绘出机器人群的搜寻路径，以此可以分析机器人之间的相互影响强度和风速、局部极值等因素对搜寻过程的影响程度。

(5)数据评估模块：该模块以文字的形式呈现了搜寻总用时、真实泄漏源位置、机器人群的实时全局最优点和机器人群最终确认泄漏源位置；以坐标中曲线的形式实时呈现了全局最优点距离真实泄漏源的距离d随时间的变化。以此可以直观地比较改进算法与传统算法的差异，从而看出改进算法在搜寻时间上和搜寻精度上的改进效果。

更优化的，上述仿真系统中危险气体扩散模型选取湍流扩散模型。湍流扩散模型是基于无规则湍流扩散理论的静态模型，服从统计规律，推导上依据了分子扩散的方程形式。该模型适用于气体向四面八方流动的情况，这使得仿真程序在二维空间中进行实验时更接近实际气体扩散趋势，更贴合实际搜寻过程。

平衡状态、风向为水平方向下，湍流模型的浓度分布如下：

式(5)中，C(x,y,z)是位置(x,y,z)的气体扩散浓度，单位为mg/m³；Q是气体扩散强源，单位为mg/s；k是气体扩散系数，单位为m²/s；d是到(x,y,z)泄漏源的距离，单位为m；v_x是水平方向风速，单位为m/s；x₀是泄漏源的x坐标，单位为m。

本实施例中，打开搜寻仿真系统，设置搜寻区域为300米*300米的方形室内进行实验，如图3所示，四角处的四个实心圆为设置的四个智能机器人，将左下角定义为原点(0,0)，初始时将四个机器人分别布置在坐标为(5,295)、(295,295)、(295,5)和(5,5)的位置上。四个机器人在无障碍空间内运动，采集z＝0平面的浓度值。

点击设置泄漏源按钮，设置气体泄漏扩散强源Q取60mg/s，气体的扩散系数k取0.08m²/s，风速取0.01m/s，风向水平向右，设置真实泄漏源坐标为(100,120)，其操作界面如图4所示，泄漏源的气体以恒定的扩散系数向周围缓慢扩散。

设定机器人的最大速度V_max＝20m/s；点击机器人群开始自动协同查找泄漏点按钮，机器人群开始搜寻泄漏源，机器人每0.1秒收集一次所在位置的气体浓度值并进行数据处理；判断搜寻过程结束的界限值有两个，一是最大迭代步数，二是最小浓度。设定最大迭代步数T_max＝1800，最小浓度界限C_min＝3000mg/m³，即整个搜寻过程最多持续3分钟，在此期间如果探测到气体浓度大于3000mg/m³的位置，则提前结束搜寻，输出结果。

点击确定按钮后，左侧方形场景和右侧下方的坐标系为监控区域内气体浓度可视化呈现模块、机器人群及其行驶路线的实时显示模块，左侧方形场景中，红色越深，代表此处浓度越大；界面右侧的文字是最终所用时间和最终机器人群确定泄漏源与真实泄漏源之间误差的评估模块。

本实施例中，机器人22.3秒后搜寻过程结束，如图5所示。左侧方形场景中绿色线条是机器人行驶的历史路线。本次搜寻结果误差为0.01米，与真实泄漏源位置距离小，搜寻精度高，搜寻速度快。

实施例2～6

本实施例2～6的仿真操作如实施例1，采用本发明中改进后的粒子群算法进行仿真搜寻，其仿真后所用时间和输出结果与真实泄漏源的距离误差的数据见图6。

对比例1～5

本对比例1～5的仿真操作如实施例1，其与实施例1～6所不同的在于，机器人的搜寻算法采用传统的粒子群算法进行仿真搜寻，其仿真后所用时间和输出结果与真实泄漏源的距离误差的数据见图6。

结合图6中数据可以看出，应用传统算法的搜寻过程中，搜寻所用时间一直维持在180秒，这说明机器人探测到的浓度始终不能达的最小浓度界限，必须等到整个过程满足最小迭代步数时才结束搜寻过程；而改进后算法应用中，平均搜寻所用时间在20～40秒，可见改进后算法的时间效率有了大幅提升。在输出结果的准确度方面，改进后算法的距离误差一直维持在0.05米内，相比于传统算法应用中动辄4.0米多的误差，精度上有了明显提高，且改进方法在精度方面的提升效果十分稳定。

Claims (9)

1.一种多机器人协同搜寻气体泄漏源的方法，其特征在于：采用粒子群算法整合多个智能机器人实时采集各自所处位置的气体浓度数据，并根据气体浓度数据独立调控对应机器人的运动轨迹，最终搜寻到区域内的气体泄漏源位置。

2.根据权利要求1所述的一种多机器人协同搜寻气体泄漏源的方法，其特征在于：主要包括如下步骤：

步骤一、确定搜寻区域范围，将n个智能机器人随机散落在搜寻区域内，n≥2；

步骤二、初始化每个智能机器人的位置矢量和速度矢量，并设定搜寻用时；

步骤三、获取每个智能机器人初始位置的气体浓度，将其各自位置处的气体浓度作为自己初始的个体浓度极值，个体浓度极值中数值最大的确定为全局浓度极值；

步骤四、根据搜寻用时确定智能机器人迭代更新的次数，并设定最小浓度界限；

步骤五、每个智能机器人根据自己初始的个体浓度极值进行迭代更新，具体迭代过程为：采用粒子群算法的速度及位置迭代公式更新自己的位置和速度，并获取下一个位置处的气体浓度来重新确定个体浓度极值以及全局浓度极值；

步骤六、智能机器人根据上一轮迭代结束后确定个体浓度极值及全局浓度极值，继续重复下一轮步骤五中的迭代过程，直至到达步骤四中设定的最大迭代更新的次数，结束搜寻，并输出全局浓度极值机器人所在的位置，即为气体泄漏源，若在迭代更新过程中，检测到某一点的个体浓度极值大于设定的最小浓度界限值，则提前结束搜寻，并输出该点位置坐标，即为气体泄漏源。

3.根据权利要求2所述的一种多机器人协同搜寻气体泄漏源的方法，其特征在于：步骤五中，机器人i每次进行迭代时，其第d维的速度更新公式如下：

式(1)中，

是第k次迭代机器人i飞行速度矢量的第d维分量，0＜d≤2；w是惯性权值；p_id是机器人i的个体浓度极值位置矢量的第d维分量；g_d是全局浓度极值位置矢量的第d维分量；c₁、c₂是加速因子，都取2；r₁、r₂是两个随机数，取值范围为[0,1]，以增加搜索随机性；

机器人i每次进行迭代时，其第d维的位置更新公式如下：

式(2)中，

是k次迭代机器人i位置矢量的第d维分量，Δt是每次迭代所用的单位时间。

4.根据权利要求3所述的一种基于改进粒子群算法的多机器人协同搜寻气体泄漏源的方法，其特征在于：步骤五中，采用线性递减权值策略处理惯性权值w，具体公式如下：

式(3)中，w_min是最小惯性权值；w_max是最大惯性权值；t_max是算法总迭代次数；t是当前迭代数。

5.根据权利要求4所述的一种多机器人协同搜寻气体泄漏源的方法，其特征在于：最大惯性权值w_max取0.95，w_min取0.4。

6.根据权利要求2-5中任一项所述的一种多机器人协同搜寻气体泄漏源的方法，其特征在于：步骤六中，除全局浓度极值所在的智能机器人以外，有机器人停止了自主移动，即不再更新自己的个体浓度极值时，则对停止自主移动的机器人的个体浓度极值进行随机扰动。

7.根据权利要求6所述的一种多机器人协同搜寻气体泄漏源的方法，其特征在于：步骤六中，进行随机扰动的机器人，设定的扰动公式如下：

式(4)中，

是第k次迭代机器人i获取得到的个体浓度极值所对应位置矢量的第d维分量；l为扰动量，在[-l_max,l_max]中随机取得，l_max为设定好的最大扰动量。

8.根据权利要求2-5中任一项所述的一种多机器人协同搜寻气体泄漏源的方法，其特征在于：步骤一中，将多个机器人布置在搜寻区域的边缘位置处，并对搜寻区域建立坐标系。

9.根据权利要求2-5中任一项所述的一种多机器人协同搜寻气体泄漏源的方法，其特征在于：步骤五中，重新确定个体浓度极值的方法为：

若每个机器人新获取的气体浓度值大于上一次的个体浓度极值，则对自己的个体浓度极值进行更新，即以新获取的气体浓度值为更新后的个体浓度极值，反之，则不进行更新，并沿用上一次的个体浓度极值；

重新确定全局浓度极值的方法为：

若多个新获取的气体浓度值中最大值大于上一次的全局浓度极值，则更新全局浓度极值，即以新获取的气体浓度值中最大值为更新后的全局浓度极值，反之，则不进行更新，并沿用上一次的全局浓度极值。

Images