一种未知环境下多无人机分组协作的多气体源定位方法

1.本发明涉及一种未知环境下多无人机分组协作的多气体源定位方法，属于多旋翼无人机与环境监测领域。


背景技术：

2.当前，我国正处于经济飞速发展时期，工业化进程不断推进，工业废气排放量日益增加。为此，需要加强对大气污染的监测和治理。目前我国对于研究大气污染源定位问题所选用的溯源主体大多为地面移动机器人或固定监测站。但是这些方法都存在一定的局限性：地面移动机器人用于探测时，易发生故障、难以持续工作，灵活性不强；而监测站往往分布不均匀且事故污染源附近不一定设有监测站，故监测站适用性较低，缺少移动性和灵活性。当前无人机已被广泛的应用于大气监测中，相比较于地面移动机器人，无人机操作更加灵活、也可节约探测成本；而对比固定监测站，无人机可以降低人为监测的危险性，使测量的准确度得到提高。无人机具有较强的适用性，定位精准、测量准确且维修方便。利用无人机对大气污染源定位，可确保采集结果精准无误，同时性能更加优越，自动化的程度也更高，可以实现对大气污染物大范围区域的监测和溯源。
3.目前，绝大多数气体源定位研究都是针对单个点状气体源，例如中国专利公开号为cn112446457a的“一种基于基于改进人工鱼群算法的气体泄露源定位方法”，在改进群智能算法的基础上对单个气体源定位。然而，由于环境监管不足，部分工业园区仍存在多个企业同时直排或偷排现象，同时，因容器或管道老化、垃圾填埋场封闭层失效等因素导致的有毒/有害气体泄漏可能是多发的，即在搜索区域内可能存在数目和位置均未知、释放同种气体(成分)的点状或面状气味源。显然，要使该项研究更具有实际应用价值，仅对单个点状气体源进行定位研究还是不够的，针对多个气体源的定位研究非常必要。


技术实现要素：

4.本发明的目的是为了弥补现有多气体源定位技术的不足，创新性的将多无人机群与改进人工鱼群算法结合，提出了一种未知环境下多无人机分组协作的多气体源定位方法，该方法具有定位精度高、收敛性强、且能避免陷入局部最优等特点，可以快速、高效的实现对多气体源定位。
5.本发明考虑一个由n个无人机ri(i＝1...n)组成的系统，该系统配备有传感器，用于测量羽流浓度和风向，并在无障碍空间中移动。假设无人机具有气味感知、定位、通信和搜索空间内移动的能力。有m个气味源sj(j＝1...m)被放置在搜索空间中的随机位置。这些气体源通过释放一些化学物质来扩散气味羽流。通过一种未知环境下多无人机分组协作的多气体源定位方法来实现由n个无人机组成的团队快速跟踪定位到m个气体源。
6.一种未知环境下多无人机分组协作的多气体源定位方法，流程如图1所示，包括以下步骤：
7.步骤1：在待监测区设定n架无人机ri(i＝1...n)，在待监测区存在m个气味源sj(j
＝1...m)；
8.步骤2：初始化设定，即设定无人机的初始位置；
9.步骤3：采用多无人机分组协作的多气体源定位方法搜索气体污染源；
10.步骤4：输出所有气体污染源位置。
11.所述步骤3中提出的多无人机分组协作的多气体源定位方法，流程如图2 所示，包括以下步骤：
12.步骤1：初始化参数设定，位于羽流附近的阈值thr、气体源定位成功的阈值thg；
13.步骤2：计算初始无人机群各个体ri的适应值；
14.步骤3：判断无人机ri的适应度值是否超过阈值thr，若超过，则执行步骤4，否则，执行步骤5；
15.步骤4：采用组方法进行多无人机协作搜索；
16.步骤5：无人机进行随机搜索；
17.步骤6：判断无人机ri适应度值是否超过阈值thg，若超过，则执行步骤 7，否则，回到步骤2；
18.步骤7：发现一个气体源，进而判断无人机ri是否属于组，若属于则进行组解散，否则确定无人机ri未分配组；
19.步骤8：判断是否所有的气体源都定位成功，若成功，则结束，否则，回到步骤2。
20.多无人机分组协作的多气体源定位方法所述步骤2中适应度值计算公式为：
21.fiti＝ci22.其中，ci为无人机ri测得的气体浓度值。
23.多无人机分组协作的多气体源定位方法所述步骤4中提出的组方法，流程如图3所示，包括以下步骤：
24.步骤1：采用组形成方法形成组；
25.进一步的，组形成方法为：
26.一个或多个无人机可以同时进入羽流附近区域，在羽流附近区域的无人机开始发出信号，这些信号由产生信号的无人机的半径范围gr内的其他无人机接收，无人机可以同时接收多个信号。在这种情况下，无人机比较其接收的信号强度，并加入其接收最强信号的组。信号强度取决于无人机的适应度值和距离，计算公式如下：
[0027]vij
＝fiti·
exp(-d
ij
)
[0028]
其中v
ij
是由无人机ri，在半径gr内产生并由无人机rj接收到的信号，fiti是无人机ri的适应度值，d
ij
是无人机ri和rj之间的距离，使用信号强度方程组形成的方式同时考虑了距离和适应度，有助于无人机在同时接收多个信号时决定应加入哪个组。
[0029]
步骤2：判断组的大小是否大于g
maxsize
，若大于，则需进行限制组大小操作后执行步骤3，否则直接执行步骤3；
[0030]
进一步的，定义了参数g
maxsize
，以限制组中无人机的最大数量，这有助于实现更好的资源利用率。随着无人机数量的增加，组的大小也增加，但是气体源数量的增加将导致群体规模的减小，因此寻找额外气体源所需的无人机数量也应增加。考虑到这一点，定义了限制组大小的函数，函数如下：
[0031][0032]em
＝|0.5-(1/(exp(m)))|
[0033]
其中，n是无人机总数，m是气体源数量，λ是常数，当形成一个组时，如果形成的组的大小大于g
maxsize
，则将从该组中删除p个性能最差的无人机，p 的计算公式如下：
[0034]
p＝gk
size-g
maxsize
[0035]
其中，gk
size
是组gk的大小，p是从组gk中移除的无人机的数量；
[0036]
步骤3：用改进人工鱼群算法更新组中无人机的位置；
[0037]
进一步的，在步骤3中提出的改进人工鱼群算法，流程如图4所示，包括以下步骤：
[0038]
步骤1：初始化设置，人工鱼的视野visual、步长step、拥挤度因子δ、重复次数try-number、最大迭代次数i
max
、权重系数w1、w2、w3；
[0039]
步骤2：计算初始鱼群各个体的适应值；
[0040]
步骤3：对每个个体进行评价，对其要执行的行为进行选择，包括觅食 pray、聚群swarm、追尾follow；
[0041]
步骤4：执行人工鱼的行为，更新位置，生成新鱼群；
[0042]
步骤5：基于好奇心模型，计算个体鱼的好奇因子；
[0043]
步骤6：计算给无人机ri施加的阻力；
[0044]
步骤7：根据视野和步长公式更新视野和步长；
[0045]
步骤8：判断是否达到迭代次数，若达到迭代次数转到步骤9；若没有达到迭代次数，迭代次数加1，转到步骤2；
[0046]
步骤9：输出寻优结果，算法结束。
[0047]
其中，改进人工鱼群算法的步骤5中的好奇心模型如下：
[0048]
α＝w1·
α1 w2·
α2 w3·
α3[0049][0050]
式中，α为好奇因子，w1、w2、w3为权重系数；i为当前的迭代次数；i
max
为最大迭代次数；i为人工鱼编号；为第i次迭代时人工鱼i视野中的人工鱼数目；n
max
为人工鱼总数；y
ii
为第i次迭代时人工鱼i搜索的浓度值；为第 i次迭代时种群最大浓度值。
[0051]
其中，步骤6中的给无人机ri施加阻力是为了防止机器人离开羽流区域，此函数为：
[0052][0053]
其中，f
anti
是沿羽流中心方向施加在无人机ri上的力，是落在无人机 ri的羽流区域之外的感应半径的百分比，是落在无人机ri的羽流区域之外的感应区域的百分比。
[0054]
其中，改进人工鱼群算法的步骤7中更新视野和步长公式为：
[0055][0056]
步骤4：计算两组之间的侧风距离是否小于其半径之和，若小于，则需进行组合并操作后再输出，否则直接输出；
[0057]
进一步的，组合并方法为：
[0058]
在羽流跟踪期间，多个无人机组可能朝着同一气味源搜索，导致性能下降和局部冗余覆盖，为了避免这个问题，本发明使用组合并方法，采用侧风距离 cd的测量方法，即两个无人机组中表现最佳的无人机之间y方向的距离。如果两组之间的侧风距离小于其半径之和，则合并两组，该数学表达式如下：
[0059]cd
(y
gk-y
gl
)＜(r
gk
r
gl
)
[0060]
其中，cd是组gk和组gl中表现最佳的无人机之间的侧风距离，y
gk
和y
gl
分别属于组gk和组gl的全局最佳无人机的y位置坐标，r
gk
和r
gl
分别是组gk 和组gl的半径。
[0061]
多无人机分组协作的多气体源定位方法所述步骤7中组解散方法为：如果一个组找到气体源，则该组解散，该组的成员就分布在其他组中。在分布过程中，重要的是在羽流发现和羽流跟踪阶段的无人机数量之间保持平衡。为此，定义了阈值th
p
，并由以下等式给出：
[0062][0063]
其中，β为常数，population
size
为组的大小；将其他组的无人机数量与阈值th
p
进行比较，若该数量小于阈值th
p
，则无人机根据每个组的效益加入其他组。组的效益是根据组的需求和加入该组的成本来定义的。组的效益为：
[0064]ugk
＝need
gk-cost
[0065]
need
gk
＝exp(-(w4)
·
(fit
gk
) (w5)
·
(nm))
[0066]
cost＝d(|x
gk-xj|)
[0067]
其中，need
gk
为组的需求，cost为加入该组的成本，fit
gk
为组gk表现最好的无人机的适应度值，nm为该组中成员的数量，w4和w5是权重系数，d是欧几里德距离函数，x
gk
是组中表现最好的无人机的位置，xj是无人机rj即属于解散组的位置。解散组中每个未分配的无人机计算每个组的效益，并加入效益最高的组。重复上述计算程序，直到解散组中没有无人机未分配。
[0068]
本发明的有益效果在于：
[0069]
本发明创新性的将多无人机与组方法、改进人工鱼群算法结合，提出了一种未知环境下多无人机分组协作的多气体源定位方法，该方法具有定位精度高、收敛性强、且能避免陷入局部最优等特点，可以快速、高效的实现对多气体源定位。
[0070]
在组方法中包括组形成、限制组大小、组合并、组解散操作，考虑组形成操作可以使无人机群形成各个组，分工合作搜索，提高了搜索效率，并且在评估无人机加入哪个组时考虑了距离和适应度，这有助于无人机在同时接收多个信号时有选择的加入组。
[0071]
考虑限制组大小是由于随着无人机数量的增加，组大小也增加，但是气体源数量的增加将导致组规模的减小，因为同时寻找额外气体源所需的无人机数量也应增加。因此，
考虑到这一点，定义了用于限制组大小的函数。
[0072]
考虑组合并是由于在羽流跟踪期间，多个无人机组可能朝着同一气味源行进，因此提出侧风距离的测量方法，当两个组的全局最佳位置的无人机的y 位置坐标差小于其半径之和时，合并两个组，可以提升系统性能和避免局部冗余覆盖。
[0073]
考虑组解散是由于当一个组找到气体源时，这个组中的无人机就要进行解散分布在其他组，进行下一个气体源的搜索，这样有助于提高系统搜索效率并且避免该组一直停留在已找到的气体源中。
附图说明
[0074]
图1是多气体源定位整体流程图
[0075]
图2是多无人机分组协作的多气体源定位方法流程图
[0076]
图3是采用组方法搜索流程图
[0077]
图4是改进人工鱼群算法流程图
[0078]
图5是组合并示意图
[0079]
图6是多气体源定位过程
具体实施方式：
[0080]
本发明的具体实施如下：
[0081]
一种未知环境下多无人机分组协作的多气体源定位方法，包括以下步骤：
[0082]
步骤1：在待监测区设定12架无人机；
[0083]
步骤2：初始化设定，即设定无人机的初始位置，位于羽流附近的阈值 thr、气体源定位成功的阈值thg；
[0084]
步骤3：采用多无人机分组协作的多气体源定位方法搜索气体污染源；
[0085]
步骤4：输出所有气体污染源位置。
[0086]
如图5所示，在羽流跟踪期间，多个无人机组可能朝着同一气味源搜索，导致性能下降和局部冗余覆盖，为了避免这个问题，本发明使用组合并方法，采用侧风距离cd的测量方法，即两个无人机组中表现最佳的无人机之间y方向的距离。如果两组之间的侧风距离小于其半径之和，则合并两组，该数学表达式如下：
[0087]cd
(y
gk-y
gl
)＜(r
gk
r
gl
)
[0088]
如图6所示，在多气体源浓度场仿真实验中，t＝0s时刻，初始化12架无人机，采用多无人机分组协作的多气体源定位方法搜索气体污染源；t＝2015s 时刻，各无人机在组方法的指导下，逐渐接近气体污染源；t＝5254s时刻，已有分组找到了第一个气体污染源，并进行了组解散操作，将解散出的无人机分配给其他组，继续进行气体污染源的搜索；t＝7295s时刻，四个气体污染源全部定位成功，各无人机停留在气体污染源附近，输出所有气体污染源的位置，气体污染源定位过程结束。
[0089]
以上是本发明较佳的实施方式，但本发明的保护范围并不仅仅局限在此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡依本发明技术方案做变换或替换的，都应涵盖在本发明的保护范围内。因此，本发明的保护范围都应以权利要求的保护范围为准。