基于多源异类信息的化学羽流追踪研究

周杰 袁杰 卫晓军 湾玥

摘 要： 为了在多种信息融合中提高化学羽流追踪效果，采用基于多源异类信息的化学羽流追踪方法。通过加权平均融合算法将浓度、红外避障及视觉检测传感器对化学羽流源模型采集的数据进行融合，计算出决策阈值；再通过建立的先验知识库和化学羽流源模型库的支持下，提出基于多源异类信息的化学羽流追踪策略，包括化学羽流搜寻、追踪及羽流源确认过程。通过实验验证，化学羽流源位置误差[?e=0.216]，实现了机器人对羽流源位置的精确定位。

关键词： 化学羽流； 加权平均融合算法； 知识库； 多源异类信息； 决策阈值； 先验知识库

中图分类号： TN964?34； TP18 文献标识码： A 文章编号： 1004?373X（2018）15?0152?05

Study on chemical plume tracking based on multi?source and heterogeneous information

ZHOU Jie， YUAN Jie， WEI Xiaojun， WAN Yue

（Xinjiang University， Urumqi 830000， China）

Abstract： A chemical plume tracing method based on multi?source and heterogeneous information is adopted to improve the chemical plume tracking effect in a variety of information fusions. The concentration， infrared obstacle avoidance and visual detection sensor are used in the weighted average fusion algorithm to fuse the data collected by the chemical plume model， and calculate the decision threshold. On the basis of the established prior knowledge base and chemical plume source model， a chemical plume tracking strategy based on multi?source and heterogeneous information is proposed， including chemical plume search， tracking and plume source recognition. The experimental results show that the position error Δe of chemical plume source is 0.216， which realizes the precise positioning of the robot for plume source position.

Keywords： chemical plume； weighted average fusion algorithm； knowledge base； multi?source and heterogeneous information； decision threshold； prior knowledge base

0 引 言

化学羽流是自然界中水下或空气中的化学物质扩散或挥发形成的羽流状物质。国外科研团队从事机器人化学羽流追踪研究，在环境监测、搜索与救援、反恐、爆炸物清除以及海底考古和热液喷口定位等领域得到了广泛的应用。

文献[1]首次把信息熵用于气味源定位，文献[2]用机器人气味源定位验证了该算法。文献[3]分别利用概率粒子群优化算法和改进蚁群算法进行了机器人在人工羽流和自然羽流两种不同的室内羽流环境下的主动嗅觉试验，并取得了较好的效果。文献[4?5]针对室内通风环境下的气味源定位问题，通过z字型策略发现烟羽，并用模拟退火方法定位气味源。文献[6?8]综合运用视觉与嗅觉两种感知信息进行主动追踪研究，显著提高机器人嗅觉搜索的效率。

本文针对移动机器人追踪化学羽流的应用，提出运用多种信息融合的方法，使移动机器人具备在复杂环境下主动追踪化学羽流的能力。

1 基于多源异类信息的化学羽流追踪策略

本文采用基于规则的决策系统，把移动机器人的化学羽流追踪过程分为五个模块：化学羽流源搜索模块、视觉搜索模块、视觉趋近模块、避障模块、化学羽流源确认模块。传感器输入信息为红外避障传感器数据、浓度传感器数据、视觉传感器数据。

化学羽流源搜索模块：依据气体浓度搜索、识别、追踪气体。

视觉搜索模块：调用先验知识库，获取该化学羽流源的特征信息，进行目标颜色搜索。

视觉趋近模块：若发现化学羽流的颜色为可疑目标，移动机器人立刻趋近该目标，并在一定距离处停止，进而判断可疑目标是否为真正的化学羽流源。

避障模块：发现可疑目标，停下来进行气体识别。若是化学羽流源，则完成任务；不是，则进行避障，重新进行局部搜索，寻找新的目标。

化学羽流源判定模块：有可疑目标，移动机器人停止运动，根据融合数据利用化学羽流源模型库进行化学羽流源判定。若是，则完成任务；若不满足化学羽流源判定条件，则移动机器人继续搜索。

知识库建立：

1） 建立知识库规则：前件为输入信号的条件组合，后件为移动机器人须执行的模块。

IF（红外避障传感器信号未检测到障碍物AND其他传感器信号无论有无）THEN执行化学羽流源搜索模块

IF（浓度传感器信号检测到泄露气体AND其他传感器信号无论有无）THEN执行视觉搜索模块

IF（视觉传感器信号检测到可疑目标AND其他传感器信号无论有无）THEN执行视觉趋近模块

IF（红外避障传感器信号检测到障碍物AND其他传感器信号无论有无）THEN执行避障模块

IF（红外避障传感器信号检测到障碍物AND浓度传感器信号满足相应条件）THEN执行化学羽流源确认模块

IF（化学羽流源确认为真）THEN移动机器人停止搜索，任务结束

IF（化学羽流源确认为假）THEN执行避障模块，继续搜索

2） 推理过程，本策略采用正向推理决策过程，流程图如图1所示。

2 基于HSV颜色模型的化学羽流源模型库建立

移动机器人对化学羽流源的准确识别是移动机器人执行化学羽流源搜寻任务成功的标志。化学羽流源具有除气味以外的其他特征（颜色、距离），可支持移动机器人进行化学羽流源判断。因此，本文针对移动机器人搜寻危险气体的应用，融合浓度信息、颜色信息及距离信息，建立化学羽流源模型库，以提高移动机器人搜寻化学羽流源的效率及准确率。

2.1 颜色特征提取

颜色展示图像的特征时，一般采用HSV颜色空间。HSV颜色空间[9]对应人类视觉感知的3个要素，分别用色度（Hue）、饱和度（Saturation）和亮度（Value）来表示。RGB到HSV的转换是一种简单的非线性变换，彩色图像从RGB空间到HSV空间的转换方式如下：

首先，把颜色的红、绿和蓝坐标设为（[r，g，b]），它们的值为0～1的实数。设max是[r]，[g]和[b]中的最大者，设min是这些值中的最小者。

[h=undefined， max=min60°×g-bmax-min+0°， max=r&g;≥b60°×g-bmax-min+0°， max=r&g;

[s=0， max=01-minmax， 其他] （2）

[v=max] （3）

式中[h，s，v]分别为图像的色度、饱和度、亮度。

颜色矩阵[10]是Sricker等人提出的一种有效的颜色特征表示方法，利用线性代数中矩阵的概念，把图像中的颜色分布用矩阵表示。其中，一阶矩阵为颜色平均值，二阶矩阵为颜色方差，三阶矩阵为颜色的偏斜度。3个低阶颜色矩阵的数学表示为：

[ui=1Nj=1NPi，j] （4）

[σi=1Nj=1N（Pi，j-ui）212] （5）

[si=1Nj=1N（Pi，j-ui）313] （6）

式中：[ui，σi，si]分别表示颜色分量[i]的均值、方差和斜度；[N]表示图像的总像素；[Pij]表示图像中第[j]个像素的第[i]个颜色分量。

图像的3个颜色分量的3阶颜色矩阵组成1个9维向量，则图像的颜色特征表示为：[Fc=[uH，σH，sH，uS，σS，][sS，uI，σI，sI]]。通过用Matlab软件对化学羽流源图像进行特征提取，处理过程如图2和表1所示。

2.2 颜色特征匹配

由移动机器人获取图像，输出相似图像的数目根据需要设定。两幅图像的颜色矩阵向量生成后，本文采用欧氏距离（Euclidean distance）算法计算颜色向量之间的相似度：

[D（I，J）=k=08CI（k）-CJ（k）212] （7）

式中[CI（k）]和[CJ（k）]分别表示图像库图像[I]和当前图像[J]的颜色矩阵向量。

2.3 化学羽流源浓度特征值的采集

本实验用酒精代替有毒气体作为化学挥发物，并用RB?02S016A MQ?3酒精传感器完成化学羽流源浓度特征信息的采集，化学羽流源气体由加湿器送出。把采集的数据在Matlab上通过滑动平均滤波法进行优化，提取最优值，标定化学羽流源浓度特征值为318 ppm，如图3所示。

2.4 化学羽流源模型库

研究发现部分危险气体具有颜色，而且每种气体具有特定的颜色。所以通过气体的颜色可以辨别气体的类别。当气体泄漏时，先检测气体颜色，可以缩小搜索范围，提高搜索效率。因此，移动机器人先存储先验知识，建立基于颜色的化学羽流源知识库，根据检测到的气体信息从知识庫获得化学羽流源的颜色信息。本文化学羽流源知识库采用颜色特征向量、距离、浓度特征建立，移动机器人只要搜索符合该颜色模板的物体就可以找到特定的目标。

化学羽流源模型库由知识库和决策模块两部分组成，组成结构如图4所示。知识库的作用是获取、存储、确定化学羽流源所需的各种信息，其中颜色模型是指移动机器人采集到的目标物体的颜色特征向量信息，表征移动机器人认为的目标物体颜色，例如，设定化学羽流源颜色模板为：

[Fc=[0.690 8，0.168 0，-2.606 0，0.044 4，0.027 0，0.917 0，0.691 6，0.129 7，0.242 2] ] （8）

[D（I，J）=k=08CI（k）-CJ（k）212≤0.709 6] （9）

气体浓度信息是指化学羽流源的浓度信息，相对距离信息则是指距可疑目标的距离，该值设定为12 cm。决策模块负责知识库中多源异类信息的融合，并通过决策函数判断可疑目标是否为化学羽流源。知识融合采用加权融合算法，表示为：

[g=i=1nwidi=1ni=1ndi] （10）

式中：[n=11]；[wi]为第[i]个传感器测量数据的加权系数；[di]分别表示机器人测量到[uH，σH，sH，uS，σS，sS，uI，σI，sI，]气体浓度值和机器人相对目标距离值。

决策函数依据特征值融合的结果对是否为真正化学羽流源进行判断，表示为：

[Z=1， g≥h0， g

式中：[h]为决策阈值，[h=]30.027 7，是决策正确与否的重要参数；[Z=1]表示可疑目标被确认为化学羽流源，[Z=0]表示可疑目标被确认为非化学羽流源。建立的化学羽流源模型库可以通过调整权系数及决策阈值，为不同类别的气体建立模型库，作为判断是否为该种化学羽流源的依据。

移动机器人在搜索化学羽流源过程中，搜索到某种泄漏气体后，便获取了搜索的预期目标，同时，从知识库获取先验知识，然后为搜索可疑目标提供相应的依据，并在发现可疑目标后，触发相应的化学羽流源模型库，从而通过化学羽流源模型库判断目标是否为化学羽流源，如图5所示。其中先验知识库由以下规则构成：

if移动机器人检测到Cl2气体then搜索黄绿色气体and触发化学羽流源模型库1

if移动机器人检测到NO2气体then搜索红棕色气体and触发化学羽流源模型库2

… … …

if移动机器人检测到F2气体then搜索淡黄色气体and触发化学羽流源模型库[n]

3 实验及结果分析

依据基于多源异类信息的化学羽流追踪策略及实现方法，在实验场地中放置两个颜色特征一致的化学羽流源目标，一个装有泄漏物质（酒精），另一个为烟雾颜色一样的假目标没有泄漏物质酒精，实验场地布置如图6所示，化学羽流源由装有酒精物质的加湿器构成，实验室处于无风自然状态。实验设计移动机器人从起始点到化学羽流源位置进行20次实验，验证化学羽流源追踪策略的效果。

实验平台由视觉模块、电机控制模块、浓度搜索模块、避障测距模块和ArduinoUNO控制器组成。其中，视觉模块由WiFi模块和摄像头组成，电机控制模块由双H桥直流电机驱动板组成，避障测距模块由两块IR2红外避障传感器组成。浓度搜索模块由RB?02S016A MQ?3酒精传感器组成。通过以上硬件模块成功搭建化学羽流追踪移动平台，如图7所示。

通过利用Matlab软件将移动机器人移动记录的路线图绘制出来，坐标原点在实验区域的左下（0，0），单位为m，化学羽流源位置为（1.4，4），疑似化学羽流源位置为（2.5，2.4），移动机器人起始点值为（2.1，0），移动机器人和化学羽流源初始距离是3.92 m，坐标值对照实际比例大小。如图8所示。

从图8中可以看出，移动机器人进行搜索行为，避开障碍物体，先到达疑似化学羽流源的附近，经过分析判断，改变方向重新寻找到化学羽流源。主要原因是先验知识发挥了指导作用，使移动机器人直接向可疑目标趋近，减少对不具备化学羽流源模型特征的目标搜索。令移动机器人每一次的搜索都具有目标性，减小对目标搜索的不确定性。通过Matlab将移动机器人搜索过程中采集的气体浓度信号变化绘制出来，如图9所示。

初始气体右边浓度信号电压幅值大于左边浓度信号电压幅值，移动机器人向右移动并避开障碍物；当移动机器人不断趋近化学羽流源时，其左右的浓度信号电压差不断减小；当确定化学羽流源时，其左右浓度信号电压差近似趋于零。

4 结 语

本文提出一种基于多源异类信息的化学羽流追踪策略，通过利用多种传感器对移动机器人化学羽流追踪进行较为深入的探索研究，实现了基于多源异类信息的化学羽流追踪策略设计。在CPT實验过程中，化学羽流源位置误差[Δe=]0.216，总时间[Ta=]120 s，累计追踪时间[Ts=]110 s。通过CPT实验表明，利用多源异类信息的化学羽流追踪策略，实现了化学羽流追踪过程的快速性、准确性和自主性，最终验证了该策略的正确性和可行性。

参考文献

[1] VERGASSOLA M， VILLERMAUX E， SHRAIMAN B I. ′Infotaxis′ as a strategy for searching without gradients [J]. Nature， 2007， 445（7126）： 406?409.

[2] MORAUD E M， MARTINEZ D. Effectiveness and robustness of robot infotaxis for searching in dilute conditions [J]. Frontiers in neurorobotics， 2010， 4： 1?8.

[3] 李俊彩，孟庆浩，梁琼.基于进化梯度搜索的机器人主动嗅觉仿真研究[J].机器人，2007，29（3）：234?238.

LI Juncai， MENG Qinghao， LIANG Qiong. Active olfactory simulation of robots based on evolutionary gradient search [J]. Robot， 2007， 29（3）： 234?238.

[4] 王阳，孟庆浩，李腾，等.室内通风环境下基于模拟退火算法的单机器人气味源定位[J].机器人，2013，35（3）：283?291.

WANG Yang， MENG Qinghao， LI Teng， et al. Odor source location of single robot based on simulated annealing algorithm in indoor ventilation environment [J]. Robot， 2013， 35（3）： 283?291.

[5] 韩冰.湍流环境下化学羽状物定位技术研究[D].哈尔滨：哈尔滨工程大学，2012.

HAN Bing. Study on the localization technology of chemical plume in turbulent environment [D]. Harbin： Harbin Enginee?ring University， 2012.

[6] LOUTFI Amy， BROXVALL Mathias， CORADESCHI Silvia， et al. Object recognition： a new application for smelling robots [J]. Robotics and autonomous systems， 2005（52）： 272?289.

[7] LOUTFI Amy， CORADESCHI Silvia. Smell， think and act： a cognitive robot discriminating odours [J]. Auton robot， 2006（20）： 239?249.

[8] ISHIDA Hiroshi， TANAKA Hidenao， TANIGUCHI Haruki， et al. Mobile robot navigation using vision and olfaction to search for a gas/odor source [J]. Auton robot， 2006（20）： 231?238

[9] CUCCHIARA R， GRANA C， PICCARDI M， et al. Improving shadow suppression in moving object detection with HSV color information [C]// Proceedings of 2011 the IEEE Intelligent Transportation Systems. Oakland： IEEE， 2011： 334?339.

[10] 陈卫东，张兴家，朱奇光，等.基于混合特征的移动机器人图像匹配算法[J].中国机械工程，2015，26（9）：1137?1141.

CHEN Weidong， ZHANG Xingjia， ZHU Qiguang， et al. Image matching algorithm for mobile robots based on hybrid features [J]. China mechanical engineering， 2015， 26（9）： 1137?1141.