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

一种机器人仿生气味源定位策略路光达;张明路【摘要】基于扁形虫动态刺激反应和生物趋激性行为,提出了一种机器人仿生味源定位算法,该算法不需要检测风向信息和气体绝对浓度信息.机器人使用该算法可以自主进行味源搜索定位,在高斯模型环境下机器人跟踪气味烟羽的实验仿真说明该算法具有简单、搜索速度快、效率高的优点.【期刊名称】《河北工业大学学报》【年(卷),期】2010(039)005【总页数】5页(P48-52)【关键词】机器人;气味源定位;动态刺激反应;趋激性【作者】路光达;张明路【作者单位】河北工业大学,机械工程学院,天津,300130;河北工业大学,机械工程学院,天津,300130【正文语种】中文【中图分类】TP24近年来，利用移动机器人和气体传感器实现气味源定位（gas/odor source localization）已经成为了一个研究热点．具有嗅觉功能的机器人能够从事与气味相关的各个领域的工作，包括探测地雷、搜寻爆炸物、搜救遇难者、有毒气体检测、火灾报警、检测各类危险化学物质存储容器或输送管道的泄漏情况并进行修补，还可以进行探矿工作．实际上，机器人嗅觉任务最关键的问题就是要对味源进行搜索、定位、识别．机器人通过跟踪烟羽便可找到味源，所谓烟羽，是指气味源释放的气味分子在空气中传播形成的羽毛般的轨迹[1]．Hayes[2]将此类问题分解为3个子任务，即烟羽发现、烟羽横越、气味源确认．早在1991年，Rozas等[3]便利用研制的人工鼻进行了这方面的研究．将人工鼻装在一个移动机器人上，通过追踪测试环境中的气体浓度而找到气味源．类似的研究通常是在移动机器人上安装一对气体传感器，比较两个传感器的输出，令机器人向着浓度高的方向移动[4]．但由于受湍流作用，气体扩散过程中的浓度分布不规则，因此机器人只利用气体浓度梯度搜索效率低．为了解决此问题，Ishida[7]和他的同事根据飞蛾逆风跟踪信息素的行为,采用4个气体传感器和4个风速传感器制成了气味方向探测装置，充分利用气味信息与风向信息完成味源搜索．在此基础上，他们又研究了一些新算法[8-9]，通过沿着浓度梯度搜索烟羽和沿着风向跟踪烟羽两种策略的转换实现定位．Pyk[10]研制了一个装有六阵列金属氧化物气体传感器和风向标式风向传感器的移动人工蛾，并利用它在风洞中模拟了飞蛾横越风向和逆风而上的跟踪信息素的运动方式，能够寻找到距离4m远处的1味源．近年来，Marques[11-12]和Loutfi[13-15]也在利用移动机器人研究味源定位领域取得了较大成果．动物的气味搜寻行为简单而有效，在动物漫长的进化过程中，嗅觉作为最原始的感觉功能之一，是许多动物赖以生存的最重要的本领．因此模仿生物的嗅觉行为，研究机器人主动嗅觉技术，具有深远的实践和理论意义．目前，此类研究大部分还是在特定的室内实验环境中进行的，一般设定较小范围的实验场地、营造人工风场，诸多气味源搜索及确认算法虽有其独到的一面，但大多所用的方法大都是根据动物的趋风性（amenotaxis）、趋化性（chemotaxis）、以及Z字形搜索等行为，模仿或启发的一些搜索算法，这些算法都存在效率较低、准确率低、风向依赖等缺陷．为了提高搜索效率及准确率，提出了基于扁形虫动态刺激反应和生物趋激性仿生行为的机器人气味源定位算法，并在仿真实验中验证了该搜索策略的有效性，快速性和不依赖风向和气味绝对浓度的特点．1 基于动态刺激反应和趋激性仿生行为的机器人味源定位算法1.1 仿生原理很多的动物通过跟踪烟羽寻找味源（食物或异性），但并不测算平均浓度，例如蛾子一边运动一边用触角探测周围气体，没有足够时间来获得某点浓度均值．这说明存在一些方法，通过获取烟羽中瞬间的信息即浓度变化率来寻找到味源．动态刺激反应（kinesisresponse）[16]：这是扁形虫（flatworm）的一种趋光反应机制，扁形虫相比光强度大的地方更喜欢黑暗一些的区域，当光强度增加时，它会增加它的转向率，而且不直接依赖当前的光的绝对强度，而是光强度的变化率，光强度变化越快，其转向率也越大，更快的趋向更暗的区域．趋激性（Tropotaxis）[17]：趋激性机制是动物通过同时比较两个或多个传感器而产生对一个与浓度梯度相同或相反的方向瞬时估计，利用空间分布的两个或更多的传感器检测气味，是十足甲壳类、飞行类昆虫、爬行类昆虫追踪气味常用的刺激趋应性机制．这在湍流烟羽追踪时非常有用[18-20]．1.2基于扁形虫动态刺激反应和生物趋激性仿生行为的味源定位算法扁形虫动态刺激反应是典型的不依靠绝对强度的生物趋性行为．在当光强度增加时，它会增加本身转向率，而且不直接依赖当前光的绝对强度，而是光强度变化率，光强度变化越快，其转向率也越大，更快趋向更暗的区域．趋激性机制是动物通过同时比较两个或多个传感器而产生对一个与浓度梯度相同或相反的方向瞬时估计，根据此仿生原理检测两个位置的浓度变化差作出方向估计．根据动态刺激反应行为，提出一种结合趋激性行为的仿生味源定位算法，不依靠传感器绝对浓度，提高机器人的搜索效率，并可以不依赖于风向．定义为当前浓度，max为从初始到第个位置的最大浓度；为浓度变化率；min为设定最小变化率，为第步的浓度变化率，定义=1/1，为开始搜索的第个采样．为与机器人当前前进方向的夹角，min为设定最小步长，为当前步长，、为与相关的变化因子，决定和的变化大小，根据动态刺激反应，=1，=*1．当重复条件不满足时，并且相对max变化很小时即是味源，为二者的差的绝对值最小值．搜索策略如下：首先机器人进行随机搜索，以给定步长，任意角度前进，没有检测到气体，步长不变，随机向左或向右转一个角度，直到检测到气体，这时根据机器人最后两步的气体浓度变化率判定机器人左转弯还是右转弯，并改变其步长．当传感器采集数据满足机器人停止条件时，认定该处为味源．算法的机器人步长和转角根据浓度变化率实时改变．该策略非常简单，不通过高级智能策略，不依赖风向，搜索时不依赖于气体浓度值，可以避免当前气体传感器恢复时间过长的缺点，提高了机器人的搜索效率．2 仿真实验2.1 气体扩散模型及参数影响分析目前气体传播模型有：GAUSS模型 [21]，BM模型 [22]，Sutton模型 [23]，FEM3模型 [24]，采用应用最多的GAUSS模型，该模型适用于点源的扩散，早在五、六十年代就已被应用．GAUSS模型是从统计方法入手，考察扩散质的浓度分布．其中烟羽模型（Plume model）适用于连续源的扩散，烟团模型（puff model）适用于短时间泄漏的扩散（即泄放时间相对于扩散时间比较短的情形,如突发性泄放等）．采用烟羽模型，高斯烟羽模型的浓度分布公式如式（1）式中：,,,为气体质量浓度，mg/m3；为源强（质量流量），mg/s；为有效源高，m；,, 为下风向空间任一点，为平均风速，m/s；、为扩散参数，m．气源泄漏气体设为CO，源强设定为50ppm/s，换算为=56.667mg/s，气源泄漏高度取=0.5m，在国标《GB/T13201-91》中，将扩散参数、表示为：=，=，式中,,,均为常系数，具体值参考我国环境评价标准采用的系数（《GB/T13201-91》），选取参数=0.055 363 4，=0.929 418,=0.060 765，=0.784 400，模拟环境为长宽高分别为6 m、6 m、4 m．首先设定平均风速=0.5m/s，分析=0，0.5，1.5，3 的-面内气体湍流扩散浓度变化，其分布图如图1所示．从图1数据分析可得，当风速不变时，随着平面所属高度的增大，气体最高浓度是随之下降的，=0，最高浓度值为：72 mg/m3，而=3时，最高浓度只有2.6mg/m3，但是浓度变化率趋缓．当=0.5时，=5m时，浓度变化率很小．由此得出，距离泄漏源的垂直距离对浓度的分布影响很大，随着高度的增加，其浓度快速下降．然后设定平面高度=0.5m，分析分别取0.1m/s、0.8 m/s、1.5 m/s、2 m/s时的-面内气体湍流扩散浓度变化，其分布图如图2所示．图1 高度变化的XY平面内气体浓度高斯分布图Fig.1 Gauss concentration distribution with changed height in the plane图2 风速变化的XY平面内气体浓度高斯分布图Fig.2 Gauss concentration distribution with changed wind speed in the plane从图2数据分析可得，当-平面所属高度不变时，随着风速的增大，气体最高浓度是随之快速下降，=0．1，最高浓度值：340 mg/m3，而=3时，最高浓度只有17 mg/m3,而且浓度变化率基本不变．当=0.8时，=5 m时，浓度变化率很小．由此得出，风速的大小对浓度的分布趋势影响不大，但随着速度的增加，其泄漏最高浓度快速下降．2.2 仿真实验仿真环境不设障碍物，气体为高斯湍流扩散分布，-平面高度为0.5 m，风速为0.5m/s，源强设定为50 ppm/s，换算为=56.667,模拟环境为长宽高分别为6 m、6 m、4 m．机器人步长初始值设定0=0.8 m，为简化计算，实验中定义机器人终止搜索条件min<0.1m，<0.1，定义，如式 (1)、式 (2)机器人起点设在（7，0）点，因为是仿真环境中气体扩散是连续烟羽，因此第1步浓度检测值3.2 mg/s，机器人检测到气体开始跟踪，没有执行随机搜索．机器人所走路径如图3，经过19步迭代，由图4传感器浓度采样值可知，第19步气体浓度为53mg/s，由图5气体浓度变化率知，第19步浓度变化率为0.085，共有16步的变化率大于0.1，其步长最终为0.02 m，满足停止条件，机器人停止搜索．图3所示机器人路径显示机器人较快的趋向浓度最高区域，体现了算法效率．图4的气体浓度体现了机器人一直向高浓度区域搜索前进，与其气体GAUSS分布模型的浓度变化趋势基本一致．这表明在仿真环境下，算法能很好满足气味跟踪任务，机器人可以有效地找到味源．图3 机器人跟踪烟羽路径Fig.3 The trace of robot tracing odor plume图4 机器人气体传感器浓度值Fig.4 The concentration of robot odor sensor 图5 机器人气体浓度变化率Fig.5 The variation of robot odor concentration 3 结论在基于基于扁形虫动态刺激反应和生物趋激性仿生行为的基础上设计了一种机器人味源定位算法，使机器人可以在未知环境中自主规划进行味源搜索定位;避免了以往主动嗅觉策略容易陷入局部高浓度点而误判的情况，具有搜索效率高，不依赖气味绝对浓度和风向信息的特点．在未来的工作中,继续改进，增加障碍物，设计鲁棒性更强的主动嗅觉策略，在真实的湍流环境中能够完成气味源定位任务．参考文献：[1]PayneT L，BirchM C，KennedyC E J．Mechanisms in InsectOlfaction[M]．New York：Oxford University Press，1986．[2]HayesA T，Martinoli A，Goodman RM．Distributed odor source localization[J]．IEEE Sensors Journal，2002，2（3）：260-271．[3]Rozas R，Morales J，Vega D．Artificial smell detection for robotic navigation[A]．Fifth International Conference on AdvancedRobotics[C]．Piscataway，NJ，USA：IEEE，1991，1730-1733．[4]Consi T R，Atema J，Goudey C A，et al．AUV guidance with chemical signals[A]．Proceedings of the IEEE Symposium on Autonomous Underwater Vehicle Technology[C]．Piscataway，NJ，USA：IEEE，1994，450-455．[5]Kuwana Y，Shimoyama I，Miura H．Steering control of a mobile robot using insect antennae[A]．Proceedings of the IEEE International Conference on Intelligent Robots and Systems[C]．Piscataway，NJ，USA：IEEE，1995，530-535．[6]Sandini G，Lucarini G，Varoli M．Gradient driven self-organizing systems[A]．Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems[C]．Piscataway，NJ，USA：IEEE，1993，429-432．[7]Ishida H，Suetsugu K，Nakamoto T，et al．Study of autonomous mobile sensing system for localization of odor source using gas sensors and anemometric sensors[J]．Sensors and Actuators，A：Physical 1994，45（2）：153-157．[8]Ishida H，Nakayama G，Nakamoto T，et al．Controlling a gas/odor plume-tracking robot based on transient responses of gassensors[A]．Proceedings of the IEEE International Conference on Sensors[C]．Piscataway，NJ，USA：IEEE，2002，1665-1670．[9]IshidaH，Nakayama G，Nakamoto T，et al．Controlling a gas/Odor Plume-tracking robot based on transient responses of gas sensors[J]．IEEE Sensors Journal，2005，5（3）：537-545．[10]Pyk P，Bermúdez IBadia S，Bernardet U，et al．An artificialmoth:Chemical source localization using a robot based neuronal model of moth optomotor anemotactic search[J]．Autonomous Robots，2006，20（3）：197-213．[11]Marques L，Nunes U，De Almeida A T．Olfaction-based mobile robot navigation[J]．Thin Solid Films，2002，418（1）：51-58．[12]Marques L，Nunes U，DeAlmeida A T．Spread Nose：Distributed a gents for environmental monitoring[A]．Proceedings of the International Workshop on New Developments on Sensors for EnvironmentalControl[C]．Singapore:World Scientific Publishing，2003，234-238．[13]Loutfi A，Coradeschi S，Karlsson L，et al．Putting olfaction into action：Using an electronic nose on amulti-sensingmobilerobot[A]．Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems[C]．Piscataway，NJ，USA：IEEE，2004，33-342．[14]Loutfi A，Broxvall M，Coradeschi S，et al．Object recognition:new application for smelling robots[J]．Robotics and Autonomous Systems，2005，52（4）：272-289．[15]Loutfi A，Coradeschi S．Smell，think and act：A cognitive robot discriminating odours[J]．Autonomous Robots,2006，20（3）：239-249．[16]Frankel GS， Gunn DL．The Orientation of Animals：Kineses，Taxes and Compass Reactions[M]．New York：Dover Publications Inc，1961．[17]FRANK W，GRASSO．Invertebrate-Inspired Sensory-Motor Systems and Autonomous，Olfactory-Guided Exploration[J]．Biol Bull 2001，200：160-168．[18]Beglane P F，Grasso F W，Basil J A，et al．Far field chemo-orientation in the American lobster，Homarus americanus：effects of unilateral ablation and lesioning of the lateral antennule[J]．Biol Bull，1997，193：214-215．[19]Srinivasan M V，Zhang S，Chahl J S．Landing strategies in honeybees and possible applications to autonomous airborne vehicles．Biol Bull．2001，200：216-221．[20]Bell W J．Responses of arthropods to temporal chemical stimulus changes: simulation of a humidity differential and a pheromoneplume[J].1986，139-148．[21]蔡风英，谈宗山，孟赫，等．化工安全工程[M]．北京：科学出版社，2001．[22]丁信伟，王淑兰，徐国庆．可燃及毒性气体泄漏扩散研究综述 [J]．化学工业与工程，1999，16（2）：118-122．[23]王文娟，刘剑锋．危险性气体泄漏扩散数学模拟研究 [J]．工业安全与环保，2006，32（11）：23-25．[24]周波，张国枢．有害物质泄漏扩散的数值模拟 [J]．工业安全与环保，2005，31（10）：42-44．。

索算法2023-11-07•引言•气味溯源信息获取与处理•机器人嗅觉感知系统目录•信息趋向搜索算法设计•实验与分析•结论与展望01引言随着气味溯源技术的发展，机器人气味溯源信息趋向搜索算法在许多领域具有广泛的应用前景，如安全监控、环境监测、搜救等。

背景该算法能够实现快速、准确的气味源定位，为现场应急处置和决策提供有力支持，提高气味溯源的效率和精度。

意义研究背景与意义研究现状与问题现状目前，已有许多研究机构和企业开展了机器人气味溯源技术的研究和应用，取得了一定的成果。

问题然而，现有的算法仍存在一些问题，如搜索速度慢、精度低、对复杂环境适应性差等，限制了其应用范围。

研究内容与方法研究内容本研究旨在开发一种高效、准确的机器人气味溯源信息趋向搜索算法，提高搜索速度和精度，并增强对复杂环境的适应能力。

方法采用理论分析和实验验证相结合的方法，首先建立机器人气味溯源模型，然后设计并实现一种基于信息趋向的搜索算法，最后通过实验验证算法的有效性和优越性。

02气味溯源信息获取与处理气味溯源信息获取方法直接检测法通过机器人搭载的气味检测设备直接检测环境中的气味，获取气味数据。

嗅觉传感器法利用嗅觉传感器将气味信号转换为电信号，实现对气味数据的采集。

化学分析法对环境中的气味进行化学成分分析，获取气味成分数据。

数据清洗去除无效、错误和异常数据，保证数据质量。

数据归一化将数据按比例缩放，使之落入一个小的特定区间，使数据处理更加方便。

数据标准化将采集到的数据进行标准化处理，统一数据单位和量纲，便于后续分析。

气味溯源信息预处理技术气味溯源信息特征提取统计特征提取利用统计方法提取气味数据的统计特征，如平均值、方差、极值等。

化学特征提取对气味成分进行分析，提取成分含量、种类等化学特征。

时空特征提取考虑气味在时间和空间上的变化趋势，提取时空分布特征。

03机器人嗅觉感知系统设计用于气味检测的硬件系统，包括气敏传感器、信号处理电路、数据采集模块等。

动态环境下基于犛犞犚-P犛犗的多机器人气味源定位方法张建化;巩敦卫;张勇【期刊名称】《中国科技论文》【年(卷),期】2014(000)001【摘要】研究具有风速变化的动态环境下气味源定位问题，提出一种基于支持向量回归和微粒群优化的多机器人气味源定位方法。

以当前时刻机器人的位置为输入，以机器人所测的气味浓度值为输出，利用支持向量回归，建立机器人所在位置气味浓度的预测模型；采用改进微粒群优化方法定位气味源时，以气味浓度最大的机器人所在的观测窗内，基于预测模型得到的气味浓度最大值的所在位置作为微粒的全局极值，以当前机器人的位置作为微粒的个体极值，完成微粒的更新；根据机器人所测的气味浓度值，定位气味源。

将所提方法应用于2个气味源定位场景，实验结果表明所提方法能够在短时间内成功定位气味源。

%Aiming at the problemof odor source localization in dynamic environments with changing wind,a method of localizing odor source using multiple robots based on particle swarm optimization and support vector regression is proposed.In this method, a model predicting concentration of an odor at a location based on support vector regression is developed,which takes a robot’s current position as its input,and the corresponding concentration value measured by the robot as its output.Then,an improved particle swarm optimization is used to localize odor source,and the position corresponding to the maximal concentration value ob-tained by the prediction model is taken as the particle’s global optimum in the observation window of the robotwith the maximal concentration value.In addition,the current position of a robot is taken as the particle’s local optimum.The velocity and position of a particle is updated based on the above global and localoptima.Finally,the position of an odor source is localized based on the concentration value measured by a robot.The proposed method is applied to localize odor sources in two scenarios,and the exper-imental results confirm that the proposed method can successfully localize odor source in a short time.【总页数】8页(P122-129)【作者】张建化;巩敦卫;张勇【作者单位】中国矿业大学信息与电气工程学院，江苏徐州221008; 徐州工程学院机电学院，江苏徐州221111;中国矿业大学信息与电气工程学院，江苏徐州221008;中国矿业大学信息与电气工程学院，江苏徐州221008【正文语种】中文【中图分类】TP242【相关文献】1.精梳棉／粘胶／毛三组分犕犞犛涡流纱的性能研究 [J], 郝波;孙景励2.基于增量式犌犎犛犗M神经网络模型的入侵检测研究 [J], 杨雅辉;黄海珍;沈晴霓;吴中海;张英3.机载犛犃犚在海冰航空监测中的应用研究 [J], 蒋旭惠;张汉德;董梁;别君;崔璐璐4.高光谱大气红外探测仪（犃犐犚犛）反演大气不稳定度指数在强对流天气个例中的应用试验 [J], 刘辉;寿亦萱;漆成莉5.动态环境下基于SVR-PSO的多机器人气味源定位方法 [J], 张建化;巩敦卫;张勇;因版权原因，仅展示原文概要，查看原文内容请购买。

基于仿生行为的气味源定位方法综述
高春艳;刘冬乐;李满宏;张明路;陶渊
【期刊名称】《科学技术与工程》
【年(卷),期】2022(22)36
【摘要】危化气体泄漏引发的事故频繁发生,严重危害公共安全,如何高效精准定位泄漏源位置是预防事故发生的前提,传统采用定点检测辅以人工巡检的泄漏检测模式已不能满足工业需求。

移动机器人具有实用性强、应用灵活的特点,通过模仿生物搜寻气味源的行为,将其应用到气味源定位领域对于石化行业智能化发展与进步具有十分重要的意义。

鉴于此,根据生物多感官气味源定位机制,将移动机器人气味源定位方法从单一和多源信息角度进行综述,首先分析了主动嗅觉定位的3个步骤;其次在多源信息融合技术的基础上,阐述了融合嗅-视信息的气味源定位方法,对目前融合嗅-视-听多感知信息的气味源定位方法进行了探讨;最后预测了未来发展趋势并进行展望。

【总页数】10页(P15860-15869)
【作者】高春艳;刘冬乐;李满宏;张明路;陶渊
【作者单位】河北工业大学机械工程学院
【正文语种】中文
【中图分类】TP242
【相关文献】
1.一种基于模糊逻辑算法的移动机器人仿生气味源空间定位方法
2.动态环境下基于犛犞犚-P犛犗的多机器人气味源定位方法
3.动态环境下基于SVR-PSO的多机器人气味源定位方法
因版权原因，仅展示原文概要，查看原文内容请购买。

室内环境下基于最优路径规划的PSO-ACO融合算法
刘俊;徐平平;武贵路;彭杰
【期刊名称】《计算机科学》
【年(卷),期】2018(045)0z2
【摘要】为了使移动机器人在室内障碍物环境下寻找到达指定目的地的最优路径,提出了一种基于粒子群算法(PSO)和蚁群算法(ACO)的改进路径规划的PSO-ACO 融合算法.PSO-ACO融合算法针对粒子群算法中粒子容易早熟引起的局部最优问题,采用蚁群算法获得全局最优解;同时有效地解决了粒子群算法中粒子多样性、种类少,以及蚁群算法中初始化信息素匮乏及耗时过多的问题.仿真结果表明,与粒子群算法和蚁群算法相比,PSO-ACO融合算法在提高算法的全局搜索能力和搜索速度的前提下,极大地改善了算法寻找最优解的能力,实现了最优路径的规划.
【总页数】4页(P97-100)
【作者】刘俊;徐平平;武贵路;彭杰
【作者单位】东南大学移动国家重点实验室南京210096;东南大学移动国家重点实验室南京210096;东南大学移动国家重点实验室南京210096;东南大学移动国家重点实验室南京210096
【正文语种】中文
【中图分类】TP242.2
【相关文献】
1.基于神经网络的室内环境热舒适度融合算法 [J], 张方方;张莲;刘贺
2.一种室内环境下仿人机器人路径规划方法 [J], 许宪东;张聪;陈妍妍;雷国华
3.基于改进遗传算法的室内环境下的机器人路径规划 [J], 黄杰
4.基于PSO-ACO融合算法的物流车辆路径优化与控制研究 [J], 王秀繁;梁峰
5.基于GIS与约束条件下的最优路径规划研究 [J], 王美玲;潘允辉
因版权原因，仅展示原文概要，查看原文内容请购买。

PSO-BP神经网络在多元有害气体检测中的应用龚雪飞;徐景;孙寿通;刘萍;简家文【期刊名称】《传感器与微系统》【年(卷),期】2015(000)002【摘要】针对目前常见的多元有害气体检测问题，搭建了一种基于传感器阵列和GP神经网络相结合的多元有害气体检测系统。

该检测系统中采用了GP神经网络算法对传感器阵列的4种混合有害气体的响应信号进行回归分析。

为了提高GP神经网络的预测准确性，又利用了粒子群优化（ PSO）算法对GP神经网络的权值与阈值进行了优化。

结果显示：通过PSO 优化的GP（ PSO-GP）神经网络预测的平均相对误差小于2%，能够有效解决气体传感器交叉敏感问题。

%Aiming at problem of muliple harmful gas detection,a gas detection system is developed by combining sensor array with GP neural network algorithm. This test system uses GP neural network algorithm for regression analysis on response signal of four kinds of mixture harmful gases measured by sensor array. In order to improve prediction accuracy of GP neural network,adopt PSO algorithm to optimize GP neural network weights value and threshold value. The results show that the average relative error predicted by PSO optimized GP neural network ( PSO-GP)is less than 2%,it can effectively solve problem of cross-sensing of gas sensor.【总页数】4页(P154-156,160)【作者】龚雪飞;徐景;孙寿通;刘萍;简家文【作者单位】宁波大学信息科学与工程学院，浙江宁波315211;宁波大学信息科学与工程学院，浙江宁波315211;宁波大学信息科学与工程学院，浙江宁波315211;宁波大学信息科学与工程学院，浙江宁波315211;宁波大学信息科学与工程学院，浙江宁波315211【正文语种】中文【中图分类】TP183【相关文献】1.基于P SO算法集成神经网络的多元有害气体检测系统∗ [J], 龚雪飞;刘萍;简家文2.改进PSO-BP神经网络在变压器故障检测中的应用 [J], 熊忠阳;杨青波;张玉芳3.PSO-BP神经网络在多元有害气体检测中的应用 [J], 桑晓丹4.PSO-BP神经网络预测模型在智慧课堂中的应用研究 [J], 郭涛;魏勇;熊杰5.小波去噪及PSO-BP神经网络模型在地铁基坑监测中的应用 [J], 郑雅;韩萌萌;赵祥因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于模糊逻辑算法的移动机器人仿生气味源空间定位方法赵智琦;房建东【期刊名称】《电子设计工程》【年(卷),期】2015(0)11【摘要】针对机器人嗅觉功能的研究，提出一种基于模糊逻辑算法的机器人仿生气味源空间定位方法。

算法通过模拟生物动态刺激反应的择优行为控制机器人搜寻气味源，相比于需获得气体绝对浓度值和风向、风速信息的算法，该算法只需通过检测浓度变化率便可使机器人对气味源进行自主定位。

针对机器人实际所处环境设计一个模糊控制器并确定模糊控制器的输入、输出变量以及各自的语言值，根据相对于机器人不同位置的浓度变化率大小指定相应的模糊控制规则。

MATLAB仿真结果表明设计提出的模糊逻辑算法对机器人仿生气味源空间定位具有很好的适用性与鲁棒性，能使机器人更快、更准确的搜索到气味源。

%Research for the robot olfactory function, we propose a method of robot bionic odor source spatial orientation based on fuzzy logic algorithm. The algorithm controls the robot search odor source by simulating the preferential behavior of bio-dy-namic stimulation. Compared to some algorithm need to obtain some information like absolute concentration value, wind direc-tion and wind speed, the algorithm can make the robot autonomously locate odor sources by detecting the concentration change ratio. To design a fuzzy controller and to determine the fuzzy input and output variables and their linguistic values ??controllers according to the real environment where the robot in, and develop the appropriate fuzzy control rules based on theconcentra-tion change ratio in different positions. MATLAB simulation results show that the proposed fuzzy logic algorithm has good ap-plicability and robustness to the robot bionic odor source spatial orientation, it can make the robot search to the odor source more faster and accurate.【总页数】5页(P94-98)【作者】赵智琦;房建东【作者单位】内蒙古工业大学信息工程学院，内蒙古呼和浩特 010080;内蒙古工业大学信息工程学院，内蒙古呼和浩特 010080【正文语种】中文【中图分类】TN602【相关文献】1.一种机器人仿生气味源定位策略 [J], 路光达;张明路2.一种基于模糊逻辑-遗传算法的城市单交叉口交通信号控制方法 [J], 谢赛;魏武;江岸;郭艳玲3.基于模糊逻辑推理的室外移动机器人视觉导航方法 [J], 李伟;王彦昕4.基于模糊逻辑的小型气源定位移动机器人的设计 [J], 王晓涓;单康5.动态环境下基于模糊逻辑算法的移动机器人路径规划 [J], 李擎;张超;韩彩卫;张婷;张维存因版权原因，仅展示原文概要，查看原文内容请购买。

湍动气流主控环境下多机器人气味源定位的开题报告
概述：
气味探测是近年来机器人领域的一个热门研究方向。

针对多个气味源的定位问题，目前的多机器人系统主要通过协作探测和协作定位来实现。

然而，在有湍动气流干扰
的情况下，气味的传播具有不确定性和随机性，会使传感器测量的气味浓度数据受到
干扰，因此会影响机器人的定位精度和效率。

本文提出了一种在湍动气流环境下基于
主控方法的多机器人气味源定位方法，通过分析湍流气流的传播特性，构建气味源的
传播模型，并利用卡尔曼滤波算法来预测和校正机器人的位置，实现准确的气味源定位。

研究方法：
本文采用主控方法，将多个机器人放置在待探测的区域内，其中一个机器人作为主控机器人，负责控制其他机器人的运动和定位，其他机器人则负责收集气味浓度数据。

主控机器人通过对气味传播模型的建立和卡尔曼滤波算法的应用，预测和校正所
有机器人的位置，实现气味源的定位。

预期结果：
本研究预期能够在湍动气流环境下，通过主控方法实现多机器人气味源的高效定位。

同时，预计能够提出一种有效的气味源传播模型，为后续相关研究提供理论支持。