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.     

融合学习策略与导向果蝇机制的气味源主动定位方法研究

工业生产过程中常发生由有害气体泄漏引起的火灾或爆炸事故,利用载有气体传感器的移动机器人实时监测并搜索定位泄漏气体源是预防重大事故的有效方法,而高效的搜索策略是保证机器人快速准确定位气味源的关键因素.现有的气味源搜索算法存在定位成功率不高和对气味源定位不准的问题,本文提出一种将仿生果蝇算法和学习策略相融合的气味搜索策略.针对传统果蝇算法易陷入饱和收敛的问题,提出一种新的导向果蝇极值更新方式;针对寻优不精的问题,进一步提出一种基于学习策略的导向果蝇气味源搜索算法(OCGFOA).仿真实验结果表明OCGFOA算法完成定位速度更快且离泄漏气味源位置更近,其定位效果更能满足对危险气味源定位的要求;最后,在物理场景下进行气味源主动定位验证实验,证明本文所提算法在实际场景下也具有可行性.     

三维空间机器人主动嗅觉烟羽源自主定位策略

针对三维空间鲜有人研究烟羽源自主定位的问题，引入利用历史数据机制，提出了布谷鸟搜索算法结合改进的模糊C均值聚类算法的自主定位策略。采用布谷鸟搜索算法产生机器人定位的位置信息，避免了机器人采集烟羽浓度的盲目性，实现了定位的自主性。将产生的位置信息及采集的该位置处烟羽浓度构成特征向量，采用改进的模糊C均值聚类算法对该组特征向量和历史特征向量构成的一组新的特征向量聚类分析，获取三维空间烟羽浓度分布区域，为布谷鸟搜索算法提供了搜索范围。通过实例对所提出的方法进行验证，并与最近两年的定位算法进行对比，结果表明：该方法在平均运行时间和收敛精度方面均优于最近两年的定位算法，且能够以平均0.145 0 m的收敛精度自主定位到烟羽源附近，为烟羽源定位提供了方法支持。     

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。     

湍流环境中多弱感知机器人气味源搜索算法

针对湍流环境中机器人空间感知能力的不足, 提出一种多弱感知机器人气味源搜索算法. 该算法建立了气味源位置概率分布的近似表达式, 机器人通过自由能最小化获得移动方向. 各机器人之间通过共享位置信息实现协同, 通过设定内部温度达到搜索过程中探索和利用的平衡. 仿真结果验证了所提出算法的有效性.

     

基于改进蚁群算法的火源定位策略研究

为了达到多机器人系统能够模仿蚁群寻找食物源的行为来定位搜索火源目标,对基本蚁群算法和禁忌搜索算法进行融合和修正,形成一种新的目标搜索策略。修正的蚁群算法包括：全局随机搜索、局部遍历搜索和信息素更新三个部分。在搜索过程中,通过设定信息素的有效作用范围来实现对多个火源目标的定位。仿真结果表明,局部遍历搜索能够保证机器人逐步靠近火源目标,而融合了禁忌搜索的蚁群算法在搜索效率上大大提高。     

基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题

针对启发式算法在机器人路径规划过程中存在路径长度不稳定和易陷入局部极小点的问题，提出一种基于自适应调整哈里斯鹰优化（AAHHO）算法。首先，利用收敛因子调整策略，调节全局搜索阶段和局部搜索阶段的平衡，同时利用自然常数为底数，提高搜索效率和收敛精度；其次，在全局搜索阶段，采用精英合作引导搜索策略，通过3个精英哈里斯鹰合作引导其他个体更新位置以提高搜索性能，通过3个最优位置加强种群间的信息交流；最后，通过模拟种内竞争策略增强哈里斯鹰跳出局部最优的能力。函数测试和机器人路径规划对比实验结果表明，所提算法无论是函数测试还是机器人路径规划都优于IHHO(Improve Harris Hawk Optimization)和CHHO(Chaotic Harris Hawk Optimization)等对比算法，对于求解机器人的路径规划具有较好的有效性、可行性和稳定性。     

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.     

A learning particle swarm optimization algorithm for odor source localization

This paper is concerned with the problem of odor source localization using multi-robot system. A learning particle swarm optimization algorithm, which can coordinate a multi-robot system to locate the odor source, is proposed. First, in order to develop the proposed algorithm, a source probability map for a robot is built and updated by using concentration magnitude information, wind information, and swarm information. Based on the source probability map, the new position of the robot can be generated. Second, a distributed coordination architecture, by which the proposed algorithm can run on the multi-robot system, is designed. Specifically, the proposed algorithm is used on the group level to generate a new position for the robot. A consensus algorithm is then adopted on the robot level in order to control the robot to move from the current position to the new position. Finally, the effectiveness of the proposed algorithm is illustrated for the odor source localization problem.     

基于声音的分布式多机器人相对定位

提出了一种基于声音的分布式多机器人相对定位方法.首先,每个机器人通过声源定位算法估计发声机器人在其局部坐标系下的坐标;然后,每个机器人（不含发声机器人）通过无线通信方式将发声机器人在其坐标系下的坐标广播给所有其他机器人,通过坐标变换每个机器人可计算出所有其他机器人在其坐标系下的坐标,从而实现分布式相对定位.理论推导及实验证明只要两个机器人先后发声,通过本文所提方法即可实现多机器人相对定位.室内外环境中采用6个自制小型移动机器人实验表明,所提方法在3米的范围内可实现16厘米的相对定位精度.     

一种基于离散时间一致性理论的多机器人分布式巡逻算法

在多机器人巡逻任务中,由于通信距离的限制,单个机器人很难获得全局信息。然而,现有的大多数多机器人分布式巡逻算法都要求每个机器人获得其巡逻区域的全局信息进行决策。因此,考虑到通信半径约束和局部信息约束,为了通过相邻机器人之间的交互完成巡逻任务,基于离散时间一致性理论提出了两种巡逻算法。算法1使用全局信息进行决策,算法2基于离散时间一致性理论实现局部信息对全局信息的预测进行决策。通过模拟器Stage对所提算法与对比算法在不同机器人数量、通信半径、地图环境下进行了对比。实验验证了所提出的基于局部信息的分布式多机器人巡逻算法具有与原算法类似的特性和性能,能够使机器人在没有全局信息的情况下判断全局状态,并基于邻居之间的协商完成巡逻任务。     

Master-followed Multiple Robots Cooperation SLAM Adapted to Search and Rescue Environment

The master-followed multiple robots interactive cooperation simultaneous localization and mapping (SLAM) schemes were designed in this paper, which adapts to search and rescue (SAR) cluttered environments. In our multi-robots SLAM, the proposed algorithm estimates each of multiple robots’ current local sub-map, in this occasion, a particle represents each of moving multi-robots, and simultaneously, also represents the pose of a motion robot. The trajectory of the robot’s movement generated a local sub-map; the sub-maps can be looked on as the particles. Each robot efficiently forms a local sub-map; the global map integrates over these local sub-maps; identifying SAR objects of interest, in which, each of multi-robots acts as local-level features collector. Once the object of interest (OOI) is detected, the location in the global map could be determined by the SLAM. The designed multi-robot SLAM architecture consists of PC remote control center, a master robot, and multi-followed robots. Through mobileRobot platform, the master robot controls multi-robots team, the multiple robots exchange information with each other, and then performs SLAM tasks; the PC remote control center can monitor multi-robot SLAM process and provide directly control for multi-robots, which guarantee robots conducting safety in harsh SAR environments. This SLAM method has significantly improved the objects identification, area coverage rate and loop-closure, and the corresponding simulations and experiments validate the significant effects.     

基于改进蝙蝠算法和三次样条插值的机器人路径规划

为更好地解决移动机器人路径规划问题, 改进蝙蝠算法的寻优性能, 拓展其应用领域, 提出了一种具有反向学习和正切随机探索机制的蝙蝠算法. 在全局搜索阶段的位置更新中引入动态扰动系数, 提高算法全局搜索能力; 在局部搜索阶段, 融入正切随机探索机制, 增强算法局部寻优的策略性, 避免算法陷入局部极值. 同时, 加入反向学习选择策略, 进一步平衡蝙蝠种群多样性和算法局部开采能力, 提高算法的收敛精度. 然后, 把改进算法与三次样条插值方法相结合去求解机器人全局路径规划问题, 定义了基于路径结点的编码方式, 构造了绕避障碍求解最短路径的方法和适应度函数. 最后, 在简单和复杂障碍环境下分别对单机器人和多机器人系统进行了路径规划对比实验. 实验结果表明, 改进后算法无论在最优解还是平均解方面都要优于其他几种对比算法, 对于求解机器人全局路径规划问题具有较好的可行性和有效性.     

危险气体泄漏源搜寻多机器人系统的设计与实现

危险气体泄漏源搜寻是仿生嗅觉技术的重要应用领域之一.为了提高气体泄露源定位的效率和准确性,设计并实现了一种基于无线传感器网络的气源目标搜寻多机器人系统.该系统由多个嗅觉机器人组成,每个机器人作为无线传感器网络节点实现信息交换,协同工作,实现危险气体泄漏源的定位.嗅觉机器人以DSP处理器(TMS320F28335)为控制核心,对MOS气体传感器和风速传感器的输出信号进行融合,设计了浓度梯度与风速信息相结合的单一气体泄漏源搜寻算法.当嗅觉机器人完成气源定位时将发出警报,其他机器人利用装配的麦克风阵列和声源定位算法实现对泄漏源的间接定位.最后,为了说明所设计的多机器人系统对气体泄露源定位的有效性和准确性,本文设计了针对单一泄露源的气源搜寻实验进行验证.     

Odor source localization using a mobile robot in outdoor airflow environments with a particle filter algorithm

This paper discusses odor source localization (OSL) using a mobile robot in an outdoor time-variant airflow environment. A novel OSL algorithm based on particle filters (PF) is proposed. When the odor plume clue is found, the robot performs an exploratory behavior, such as a plume-tracing strategy, to collect more information about the previously unknown odor source. In parallel, the information collected by the robot is exploited by the PF-based OSL algorithm to estimate the location of the odor source in real time. The process of the OSL is terminated if the estimated source locations converge within a given small area. The Bayesian-inference-based method is also performed for comparison. Experimental results indicate that the proposed PF-based OSL algorithm performs better than the Bayesian-inference-based OSL method.     

A collaborative localization tolerant to recognition error by double-check particle exchange

Statistical algorithms using particle filters for collaborative multi-robot localization have been proposed. In these algorithms, by synchronizing every robot’s belief or exchanging particles of the robots with each other, fast and accurate localization is attained. These algorithms assume correct recognition of other robots, and the effects of recognition errors are not discussed. However, if the recognition of other robots is incorrect, a large amount of error in localization can occur. This article describes this problem. Furthermore, an algorithm for collaborative multi-robot localization is proposed in order to cope with this problem. In the proposed algorithm, the particles of a robot are sent to other robots according to measurement results obtained by the sending robot. At the same time, some particles remain in the sending robot. Particles received from other robots are evaluated using measurement results obtained by the receiving robot. The proposed method is tolerant to recognition error by the remaining particles and evaluating the exchanged particles in the sending and receiving robots twice, and if there is no recognition error, the proposed method increases the accuracy of the estimation by these two evaluations. These properties of the proposed method are argued mathematically. Simulation results show that incorrect recognition of other robots does not cause serious problems in the proposed method.