基于移动机器人的主动嗅觉技术研究

使用移动机器人来定位气味源已经成为一个研究热点,机器人主动嗅觉是指使用机器人自主发现并跟踪烟羽,最终确定气味源所在位置的技术。本文对当前主动嗅觉技术进行概述,并根据生物嗅觉行为介绍一种气味源定位算法,这种算法不依赖某一点气味浓度值,仅依靠气味浓度变化率就可找到气味源。并在高斯模型下对烟羽分布模型进行仿真。     

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．     

基于无线传感器网络的气体泄漏源定位机器人设计

如何确定有害气体泄漏源的位置是机器人主动嗅觉要解决的关键问题。围绕移动机器人气体泄漏源定位问题,将Z字形算法和浓度梯度法相结合用于机器人气味源搜索运动控制,使其快速找到气味源。同时,在传统的移动嗅觉机器人上增加了无线传感器定位模块,使操作人员在远离泄漏源的电脑上即可获得气味源的坐标信息。实验证明：机器人可以找到泄漏源,并确定气味源位置,搜索效率比单独使用浓度梯度法高。     

基于模糊神经网络生物嗅觉的智能电子鼻的研究

通过研究鼻道结构对生物嗅觉的影响,构造了装有传感器阵列的电子鼻流道和控制装置,实现了嗅觉区域气体流量和气味分子浓度的主动控制,提高了嗅觉灵敏度;根据生物嗅觉系统的模糊性质在嗅觉感知中所起的关键作用,构建了更接近生物嗅觉的模糊优化神经网络算法,使电子鼻系统更具仿生特性,实现了电子鼻动态检测的目标;实验结果表明,该电子鼻不仅具有辨识的快速性,还提高了自适应辨识精度,从而能够准确做出预报。     

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.     

基于仿生嗅觉的气味网络化传输机理的研究与探索

仿生嗅觉、网络通信技术和计算机技术的迅猛发展为实现气味网络传输提供了新的技术手段和方法.依据仿生嗅觉系统原理,结合计算机网络技术,提出了运用气味指纹图谱实现气味信息编码的方法,探讨气味网络传输机理、方法以及实现气味还原.其思想具有很强的先进性,对气味网络化传输的研究具有重大的理论意义和应用价值,对仿生嗅觉技术的运用发展必将起到积极的推动作用.     

室外环境下基于证据理论的多气味源测绘及定位

采用单个移动机器人对室外自然环境下的多气味源定位问题进行了研究.首先构建嗅觉感知模型,将机器人在每个采样周期中测得的气味浓度和风速/风向信息融合为局部区域内是否存在气味源的证据.然后采用证据理论将该证据与已有证据进行组合,从而更新气味源的空间分布图.最后在室外自然环境下进行实验,结果表明所提出的嗅觉感知模型可用于时变流场下的多气味源在线测绘.对比IP(independence of posteriors)算法(一种贝叶斯占用栅格测绘方法),所提出的基于证据理论的测绘方法具有较好的鲁棒特性.     

基于核聚类的嗅觉神经网络对气味模式的识别

嗅觉系统是生物感觉神经系统中非常重要的组成部分。当嗅觉感受器接收到气味刺激时,其将化学信号转换为电信号并传递给嗅球,嗅球对信息进行整合与编码,继而将其传递到大脑嗅皮层,最终产生嗅觉。对于嗅觉神经网络的建模以及嗅觉信息处理的研究有助于理解嗅觉系统是如何有效区分不同种类与浓度的气味。本文在由僧帽细胞、颗粒细胞以及球旁细胞所构成的传统嗅球模型基础上,引人了嗅皮层来构建完整的嗅觉网络模型,并考虑了抑制性突触可塑性在网络接受刺激时的学习作用。其仿真结果表明抑制性突触可塑性可以平衡嗅皮层中兴奋性和抑制性的突触电流,从而使得嗅皮层对于气味刺激表现为特定的发放模式。嗅皮层对于不同种类的气味刺激表现为不同的发放模式,而对于同一种类不同浓度的气味刺激表现为相似的发放模式与不同程度的发放强度。同时提出了基于核方法的层次聚类和模糊聚类算法来实现对不同种类纯气味的识别和对混合气味中各种气味成分的识别。     

基于气味采集的嗅觉输入界面探索

近年来,嗅觉界面研究的数量在人机交互领域逐年增多,目前大家研究的重点集中于使用气味播放技术进行信息的表征和环境渲染等,相比之下,气味输入方面的研究尚不多见.电子鼻目前被视为是理想的气味采集手段,它可以识别气味,并将其数字化,但是目前电子鼻的识别能力还非常有限,并且生成的数据无法将气味像图片或者音频那样进行传播和呈现.通常,嗅觉信息的采集需要从物理和数字2个维度进行,即既要通过电子鼻等数字采集技术建构气味标签,又要能够对气味进行物理形式的保存,以便进行气味回放.针对此需求,文中提出了一系列设计原则,并且进行了原型开发方面的探索与相应的实验评估.文中对这种嗅觉输入界面,基于文献调研、用户访谈和实验、设计讨论等方法提出了一系列潜在应用场景,并且对其研究路线进行了探讨,为后续的相关研究提供建议和方向.     

结合基因工程的生物电子鼻用于气味检测的研究

为了实现结合生物工程的仿生嗅觉传感器系统的多气味检测和目标气味的特异性识别和区分,使用生物工程化的大鼠嗅觉系统作为敏感元件,植入嗅球的多通道微丝电极作为换能器,采用无线数据采集系统收集和分析响应信号。最后,利用Matlab计算神经元平均放电率,对神经元的气味响应进行相关性分析和主成分分析,证实了该系统检测和区分不同气味的性能。创新性地提出将嗅觉受体基因整合、克隆到在体嗅觉细胞上,用于改造生物嗅觉系统,使之可以对目标气味分子产生敏感的响应信号。结果表明结合基因工程的生物电子鼻系统能够显著增强其检测特异性目标气味的性能,在环境监测、公共安全等领域中有很大应用潜力。     

一种基于动物捕食行为的机器人气味源定位策略

提出了一种基于动物捕食行为的机器人味源定位策略;该策略融合了气体传感器、风向传感器、超声传感器等传感器信息,考虑了搜寻味源过程中的避障及重复搜索问题,并给出了确认味源的条件.在动态的室内环境下,令机器人搜寻酒精泄漏源,结果表明,这种策略具有较高的搜寻效率和成功率.     

Optimal spatial formation of swarm robotic gas sensors in odor plume finding

Finding the best spatial formation of stationary gas sensors in detection of odor clues is the first step of searching for olfactory targets in a given space using a swarm of robots. Considering no movement for a network of gas sensors, this paper formulates the problem of odor plume detection and analytically finds the optimal spatial configuration of the sensors for plume detection, given a set of assumptions. This solution was analyzed and verified by simulations and finally experimentally validated in a reduced scale realistic environment using a set of Roomba-based mobile robots.     

Mobile robot navigation using vision and olfaction to search for a gas/odor source

This paper presents a new approach to search for a gas/odor source using an autonomous mobile robot. The robot is equipped with a CMOS camera, gas sensors, and airflow sensors. When no gas is present, the robot looks for a salient object in the camera image. The robot approaches any object found in the field of view, and checks it with the gas sensors to see if the object is releasing gas. On the other hand, if the robot detects the presence of gas while wandering around the area, it turns toward the direction of the wind that carries the gas. The robot then looks for any visible object in that direction. These navigation strategies are implemented into the robot under the framework of the behavior-based subsumption architecture. Experimental results on the search for a leaking bottle in an indoor environment are presented to demonstrate the validity of the navigation strategies.     

基于在体植入电极的生物嗅觉传感系统设计及其气味识别

目前生物嗅觉系统在气味识别方面相比于化学传感器阵列构成的电子鼻系统具有更高的灵敏度、特异性和响应速度。为了探讨生物嗅觉传感系统气味识别的可行性,构建了基于微电极阵列传感器植入大鼠嗅球构成的嗅觉传感系统,研究记录了浓度为10 mM的异丁醇、苯甲醚、香芹酮和柠檬醛4种气味刺激引起的嗅球僧帽层低频场电位信号,采用多窗谱估计算法和移动窗技术结合得到随时间分布的功率谱密度图。实验结果发现气味刺激后信号功率谱能量较多分布在gamma频段(40 Hz～120 Hz)。使用K最邻近分类方法对120组数据进行分类识别,4种气味分类正确率达到77.4%。实验结果表明该嗅觉传感系统结合多窗谱估计时频图与K最邻近分类算法可以初步实现气味识别。     

A biomimetic robot for tracking specific odors in turbulent plumes

Two basic tasks must be performed by an olfactory robot tracking a specific odor source: navigate in a turbulent odor plume and recognize an odor regardless of its concentration. For these two tasks, we propose simple biologically inspired strategies, well suited for building dedicated circuits and for on-board implementation on real robots. The odor recognition system is based on a spiking neural network using a synchronization coding scheme. The robot navigation system is based on the use of bilateral comparison between two spatially separated gas sensors arrays at either side of the robot. We propose binary or analog navigation laws depending on the nature of the available sensory information extracted from the plume structure (isolated odor patches or smoother concentration field). Dominique Martinez received his PhD degree in electrical and electronic engineering from the University Paul Sabatier in Toulouse, France, in 1992. He was a post-doctoral fellow at MIT, Dept. Brain and Cog. Sciences, and Harvard, VLSI group, in Cambridge, MA, USA, in 1992 and 1994, respectively. From 1993 to 1999 he worked at LAAS-CNRS in Toulouse where his research interests were concerned with machine learning (artificial neural networks, support vector machines). In 2000 he joined LORIA in Nancy and his research interests currently focus on biologically-plausible spiking neural networks for sensory processing, with particular application to artificial olfaction (neuromorphic electronic noses). Olivier Rochel obtained his PhD from the LORIA/Université H. Poincaré, in Nancy, France, where he was working on modelling large and complex networks of biological neurons, and bio-inspired robotics. Now working in the Biosystems Group at the university of Leeds, his research interests lie in multi-disciplinary studies in computational neuroscience, modelling and simulation techniques in general, and biological data analysis. Etienne Hugues has received his Ph.D. in theoretical physics from Paris XI University (Orsay). He has been a postdoctoral researcher at INRIA where he worked on olfactory perception in animals and robots. He is now a postdoctoral researcher in the Physics Department of SUNY at Buffalo. His main research interest is in computational neuroscience.     

基于P-PSO 算法的室内有障碍通风环境下的多机器人气味源搜索

受湍流影响, 室内通风环境下的烟羽分布表现出波动变化且不连续的特性; 在一些角落处, 较大的漩涡会产生长时间的局部浓度极值区; 另外室内的障碍物也会改变烟羽的分布状况. 因此室内有障碍通风环境下的机器人气味源搜索问题变得很复杂. 本文提出了基于概率适应度函数的粒子群优化(Probability-fitness-function based particle swarm optimization, P-PSO)算法并用于多机器人气味源搜索. P-PSO算法的特点是采用概率而非确定数来表达适应度函数值. 针对气味源搜索问题, P-PSO算法的适应度函数值由贝叶斯和变论域模糊推理估计的气味源概率表达. 为验证提出的搜索策略, 构建了对应实际边界条件的室内通风环境的烟羽模型. 仿真研究证明了本文提出的P-PSO搜索算法用于解决气味源搜索问题的可行性.     

基于微粒群优化的有限通信多机器人气味寻源

考虑机器人间的通信受限约束,将机器人抽象为微粒,提出基于微粒群优化的多机器人气味寻源方法.首先,采用结合斥力函数的策略,引导机器人快速搜索烟羽;然后,基于无线信号对数距离损耗模型,估计机器人间的通讯范围,据此形成微粒群的动态拓扑结构,并确定微粒的全局极值;最后,将传感器的采样/恢复时间融入微粒更新公式,以跟踪烟羽.将所提出方法应用于3个不同场景的气味寻源,实验结果验证了该方法的有效性.