基于改进AEO算法的多机器人主动嗅觉室内味源定位研究

用机器人主动嗅觉来自动寻找和定位毒气泄漏、火灾等气味源在防灾、反恐、探险等场景中具有重要意义.针对室内环境中机器人气味源定位方法对于策略切换阈值敏感问题,本文提出了一种用于多机器人气味源搜索的风向人工生态系统优化算法WAEO.该方法将机器人看作生产者、消费者或者分解者,通过三者的能量传递机制进行算法的优化,使算法在劣势初始位置时依旧保持稳定的性能.同时,考虑到气味源扩散的特点设计了离散风向系统,在生态系统中增加了追风者角色,从全局和个体维度引入风向信息和层次化利用风向信息.通过与两种常见粒子群算法的对比实验,发现WAEO算法可以减少味源定位的搜索时间,提高搜索成功率,特别是在机器人数量较少时优势更为明显.     

基于修正蚁群算法的多机器人气味源定位策略研究

为了使多机器人系统能够模仿蚁群寻找食物源的行为方式来搜索室内环境中存在的气味源,通过对蚁群算法的修正,形成一种新的多机器人协作策略．修正的蚁群算法包括局部遍历搜索、全局随机/概率搜索和信息素更新三个阶段．为了实现多个气味源的定位,在迭代搜索中加入了气味源确认机制．仿真结果表明,局部遍历搜索能够保证机器人逐步靠近气味源,而在全局搜索中设置气味浓度检测阈值可以避免机器人“群聚”现象的形成．最后验证了从不同入口点分散进入搜索区域时,机器人对多个气味源的搜索定位效果．     

基于进化梯度搜索的机器人主动嗅觉仿真研究

提出了基于进化梯度搜索的多机器人主动嗅觉的一种实现策略．首先用Fluent软件建立了一个时变的气态流体环境;其次给出了在此仿真环境中的基于进化梯度搜索的机器人主动嗅觉实现过程,包括发现气体、跟踪气体和气味源确认．为了弥补进化梯度搜索法在机器人数量有限情况下存在的不足,本文算法还使用了风向信息．仿真结果验证了该搜索策略的有效性．通过与传统的基于单机器人的浓度梯度搜索策略比较,验证了本文所用方法的优越性．     

一种适用于多机器人搜索动态目标的改进粒子群算法

粒子群算法引导机器人搜索跟踪动态目标时,在迭代后期易出现收敛停滞现象。为了改善上述情况,本文提出了结合牛顿法的改进粒子群算法。为了结合粒子群算法与牛顿法,我们在算法中引入了马尔科夫链,这使得机器人在每一次迭代时以一定的概率随机选择牛顿法或粒子群算法搜索跟踪目标。为了模拟机器人搜索动态目标的真实环境,本文还利用了通信项使机器人以一定的方式努力与基站保持通信,用来实时更新目标信息。仿真结果表明,改进的粒子群算法能有效的寻找并跟踪动态目标。     

移动机器人对气体泄漏源的定位—–矩阵半张量积方法

对于使用移动机器人在风速/风向变化较大的气流环境中定位气体泄漏源的问题,我们建立了一个定位模型.模型的输入为机器人在定位过程中实时获取的多传感器信息(激光信息、视觉信息、气体浓度信息、风信息等),输出为相应的搜寻行为或策略,主要包括避障行为、随机搜寻、视觉搜寻、化学趋向性搜寻、风趋向性搜寻、路径规划和气体泄漏源定位等.利用矩阵的半张量积理论,我们确定了这个模型输入和输出之间的结构矩阵.根据多传感器的测量信息,结构矩阵产生相应的搜寻行为或策略,由动态机器人有效地完成,以确定气体源的位置.本方法的可靠性经过机器人实地实验得到验证.     

绝对定位机制下目标位置估计辅助的群机器人搜索

基于扩展微粒群算法模型控制群机器人协同搜索目标时,成员机器人在社会经验和自身认知,主要是社会经验引导下逐步向目标趋近.由于社会经验仅从成员机器人的认知中“选举”产生,未形式化地融合多个机器人的经验,因此文中从群机器人通信子系统在本质上属于无线传感器网络的事实出发,引入集体决策机制,改进社会经验的生成模式.用无线传感器网络中的测距定位方法来估计目标位置,并将估计值作为社会经验引入现有模型.仿真结果表明,当群体规模够大时,采用文中社会经验生成模式可使协同搜索速度得到提高.     

基于头脑风暴优化算法的多机器人气味源定位

针对现有室内湍流环境下多机器人气味源搜索算法存在历史浓度信息利用率不高、缺少调节全局与局部搜索的机制等问题,提出头脑风暴优化（BSO）算法与逆风搜索结合的多机器人协同搜索算法。首先,将机器人已搜索位置初始化为个体,以机器人位置为中心聚类,有效利用了历史信息的指引作用;然后,将逆风搜索作为个体变异操作,动态调节选中一个类中个体或两个类中个体融合生成新个体的数量,有效调节了全局和局部搜索方式;最后,根据浓度和持久性两个指标对气味源进行确认。在有障碍和无障碍两个环境中将所提算法与三种群体智能多机器人气味源定位算法进行定位对比仿真实验,实验结果表明,所提算法的平均搜索时间减少33%以上,且定位准确率达到100%。该算法能够有效调节机器人全局和局部搜索关系,快速准确定位气味源。     

可移动机器人的马尔可夫自定位算法研究

马尔可夫定位算法是利用机器人运动环境中的概率密度分布进行定位的方法.使用该 方法机器人可在完全不知道自己位置的情况下通过传感器数据和运动模型来估计自己的位置. 但是,在研究中发现它还存在一些问题,如概率减小到零后就无法恢复.对只有距离传感器的机 器人在对称的环境中仅仅采用该算法就无法确定位置.为了解决这些问题,文中给出了修正算 法,并建议在机器人上装上方向仪(如指南针或陀螺仪等),然后利用定义的一个角度高斯分布 函数来构造新的机器人感知模型.在此基础上详细地阐述了一种新的自定位技术.最后,采用仿 真程序验证了机器人在对称环境中运动时这一新算法的可行性.     

改进粒子群优化算法的多机器人地图构建

针对大规模的未知环境,对一种SA-PSO(Simulated Annealing-Particle Swarm Optimization)算法的多机器人构建地图方法进行研究。多机器人构建地图,即将多个机器人建立的局部地图融合成全局地图,可以更加高效地完成环境地图的绘制。利用粒子群优化(PSO)算法搜索局部地图之间的最优转换矩阵来进行地图配准;再根据局部地图重叠区域匹配的成功率设计自适应概率函数,即重新进行地图配准的概率;最后将配准后的局部地图融合成全局地图。该方法有效解决了PSO算法易陷入局部最优引起的地图融合失败问题,提高了地图融合的成功率。     

一种基于无线传感网络的气体泄漏源定位算法

无线传感器网络由于其组网成本低、覆盖范围广、能耗低及工作时间长等优点,近年来在军事、化工、商业等领域得到了广泛的应用。本文主要针对基于无线传感器网络的化工厂中有毒气体泄漏源的定位问题进行研究,提出了一种新的气体泄漏源定位算法。算法假设气体扩散满足高斯烟团模型,应用Taylor级数展开将测量模型线性化之后,根据高斯-马尔可夫定理对其作最佳线性无偏估计(BLUE)。经过重复迭代,获得较为精准的泄漏源位置。仿真结果表明,本文所提出的算法与已有的基于最小均方误差(MSE)的粒子群优化(PSO)算法相比较,定位精度更高、收敛速度快,并且所需的存储空间更小。本文中的算法可应用于毒气泄漏、火灾早期监测、易燃易爆气体泄漏等场合。     

基于未知环境碰撞冲突预测的群机器人多目标搜索研究

群机器人在未知动态环境下进行多目标搜索时,存在碰撞预测和搜索效率不高等问题。提出了一种碰撞几何锥和改进惯性权重的粒子群优化算法相结合的多目标搜索策略。首先,根据静、动态威胁物的不同分别引入碰撞锥(CC)和速度障碍法(VO),提出了简化复杂障碍物的膨胀几何法(SG)和一种改进CC和VO的碰撞几何锥模型(CGC);有效解决了复杂不规则威胁物的避碰预测问题,并根据CGC模型作出威胁评估报告以确定最优避障方向。其次,提出一种改进惯性权重的粒子群优化算法(IWPSO),提高了搜索效率同时有效解决了粒子群优化算法易陷入局部最优的问题。最后,将两种改进的方法(CGC-IWPSO)相结合以实现群机器人的多目标任务搜索,相比于简化虚拟受力(SVF)、自适应机器人蝙蝠算法(ARBR)、具有运动学约束的粒子群算法(KCPSO),本文方法在搜索时耗、能耗以及避障次数上分别至少减少了15.59%、 10.14%、 14.12%。     

一种新的机器人仿生嗅觉系统设计

机器人嗅觉具有广泛的应用领域,如完成检测毒气、搜寻爆炸物、检测泄漏等工作.根据仿生学原理,设计了一种新的机器人仿生嗅觉系统,具有类似人的鼻腔结构,能够同时检测CO、SO2、H2S、O2及一种可挥发性有机化合物气体,可方便的根据目标气体更换相应气体传感器.结构紧凑,具有简便的机械接口和通讯接口,即可作为便携式嗅觉装置使用,又可作为机器人标准化组件组装到各种类型的机器人上,以帮助其完成与嗅觉有关的工作.     

基于仿人机器人的Monte Carlo定位算法研究

针对RoboCup标准组比赛平台仿人机器人NAO定位的特殊问题,在研究通用Monte Carlo定位算法基础上,构建NAO的运动模型和感知模型。通过增加一组随机粒子,改进通用Monte Carlo定位算法,增强MCL算法对于定位失败及仿人机器人NAO被"绑架"问题的适应性。最后通过仿人机器人NAO的静态定位、动态定位以及被"绑架"后的定位实验,验证了算法的有效性和鲁棒性。     

基于黄蜂群算法的群机器人全区域覆盖算法

总结当前覆盖问题的定义、分类和应用,使用三元组表示法形式化地描述了区域覆盖的问题定义.简要介绍黄蜂群的固定响应阈值模型,详细说明了群机器人基于固定响应阈值模型的黄蜂群区域覆盖算法.应用概率分析的方法对机器人的平均移动概率、响应阈值和刺激量的关系进行数学分析,从而指导响应阈值的选取.通过选取不同的区域大小、机器人数量以及响应阈值进行仿真实验,说明区域覆盖率、重复覆盖率与响应阈值、刺激量之间的关系.仿真结果表明,该算法有效可行.     

可应用于气体泄漏源搜寻的融合算法

多源信息融合算法主要应用于移动机器人对有害气体泄漏源的搜寻。为提高搜寻效率,用视觉传感器和嗅觉传感器共同获取环境信息,其中 嗅觉传感器 采用多气体传感器代替单气体传感器以提高测量的可靠性,测量位置也由单点向多点转变,并选用合适的算法分别实现各级数据的融合,最终决策移动机器人的搜寻方向。数据表明, 加权平均法用于融合同类气体传感器的数据,可减小噪声和仪器故障的影响;最小二乘法可最优估计未知参数,用于反求泄漏源信息,可初步估计泄漏源的位置和流量;概率赋值方式可容纳多种信息途径共同判断泄漏源,从而更合理地确定搜寻目标。     

主动嗅觉研究现状

对主动嗅觉（或称移动机器人气味/气体定位）问题的研究现状进行了较为详细的介绍．分析了当前此研究所使用的具有代表性的气味/气体和风向传感器原理．总结了主动嗅觉所包含的三个步骤,即气味/气体烟羽的发现、跟踪和气味/气体源确认,及每一步所采取的主要策略．最后,指出了当前主动嗅觉研究的主要难点．     

水下机器人定位算法

水下机器人的定位信息一般应包括位置信息和航向信息。选用超声波传感器测距,再作圆弧求交点的方法可获取位置信息,给出2种计算位置的算法;水下环境复杂,机器人的航向信息难以获取,建立拟合机器人的历史位置信息的曲线,进而对曲线进行求导来近似代替机器人航向的航向估计模型。水下实验验证了定位算法的可行性及可靠性,位置定位绝对误差小于20 cm,航向定位绝对误差大都在10°以内,满足定位要求。并分析定位误差来源,给出航向算法的修正模型。     

多机器人协同的SLAM算法研究

针对传统的室内多机器人SLAM算法存在探索任务分配灵活低,重叠度高,导致地图融合和建图精度不高的问题。设计一个基于PSO算法的多机器人协同建图与路径规划系统。首先,采用SLAM系统中的Gmapping算法作为基础算法,加入PSO算法将地图融合问题转化为最优求解问题,即找到两个地图重叠度最高的转换矩阵,实现地图融合和多机器人协同建图。结果表明,相同室内环境下,单机器人的平均探索时间为216 s,探索覆盖率为73..38%;而双机器人的平均探索时间仅为47 s,比单机器人的探索时间低了169 s;且双机器人的探索覆盖率为99.69%,比单机器人高出了26.31%。由此说明,双机器人的探索效率和探索覆盖率更高。对比于现有的EKF-CSLAM算法和基于因子图地图融合算法,本算法的建图精度高达99.75%。地图融合和建图精度明显更佳,进一步说明提出的融合算法可提升多机器人室内环境协同建图的效率和鲁棒性。     

湍流烟羽环境下多机器人主动嗅觉实现方法研究

给出了一种用于实现主动嗅觉(也称气味/气体源定位或化学烟羽跟踪)的多机器人协同搜索策略. 将蚁群算法与逆风搜索相结合用于协调多机器人的运动方向. 蚁群算法可有效调动机器人朝信息素高的区域运动且保证机器人之间的距离不会过大; 逆风搜索可降低算法过早地陷入局部最优的概率. 为正确判断转移方向, 蚁群算法中还增加了对历史信息的考虑. 在源头确认方面, 本文提出了气味/气体浓度持久性判断结合机器人旋转计算流体质量通量散度的方法. 仿真表明, 本文的主动嗅觉搜索策略可适用于湍流烟羽环境, 且可有效地逃脱浓度局部最优和风场的漩涡, 另外可最终确认源头位置.