【摘要】 一种动态整合多种搜寻策略的气体泄漏源搜寻方法，有：采用人工神经网络方法估计不同搜寻条件下的各类搜寻方法适用度的阶段，确定影响各搜寻方法性能的主要因素，和训练用于估计各搜寻方法适用度的人工神经网络；烟羽发现阶段的整合方式，即，采用基于视觉注意机制的搜寻方法与随机搜寻方法相结合的整合策略；烟羽追踪阶段的整合方式，当机器人检测到气体浓度信息时，采用化学趋向性方法和风趋向性方法以及视觉方法分别判定下一步的搜寻方向，并将当前时刻的搜寻条件，即影响搜寻方法性能的主要因素，输入至训练好的人工神经网络得到各方法的适用度，采用驱动力矢量合成的方法规划机器人局部搜寻路径。本发明可显著提高气体泄漏源搜寻的效率和成功率。。： 【专利类型】发明授权 【申请人】天津大学 【申请人类型】学校 【申请人地址】300072 天津市南开区卫津路92号 【申请人地区】中国 【申请人城市】天津市 【申请人区县】南开区 【申请号】CN200810153636.4 【申请日】2008-11-28 【申请年份】2008 【公开公告号】CN101413804B 【公开公告日】2010-12-29 【公开公告年份】2010 【授权公告号】CN101413804B 【授权公告日】2010-12-29 【授权公告年份】2010.0 【IPC分类号】G01C21/26; G01C21/34 【发明人】曾明; 孟庆浩; 蒋萍; 李吉功; 李飞 【主权项内容】一种动态整合多种搜寻策略的气体泄漏源搜寻方法，其特征在于，包括有如下三个阶段：(1)采用人工神经网络方法估计不同搜寻条件下的各类搜寻方法适用度的阶段，即，确定影响各搜寻方法性能的主要因素，和训练用于估计各搜寻方法适用度的人工神经网络，包括：针对化学趋向性方法、风趋向性方法和视觉搜寻方法，构建三套采用经典的BP网络模型结构的人工神经网络，其中网络输入层为影响某一搜寻方法性能的主要因素，输出层为该方法归一化的适用度；(2)烟羽发现阶段的整合方式，即，采用基于视觉注意机制的搜寻方法与随机搜寻方法相结合的整合策略，包括如下步骤：(a)采用任务驱动视觉注意机制模型对场景图像进行分析；(b)判断场景中是否存在易发生泄漏的设备，如果存在一些可疑设备，依据各自的显著程度及几何位置关系，驱动移动机器人对这些可疑区域进行排查；(c)若通过视觉未发现易发生泄漏的设备或者排查了易发生泄漏设备所在区域但没有发现烟羽，采用随机方法进行搜寻；(3)烟羽追踪阶段的整合方式，当机器人检测到气体浓度信息时，即发现烟羽后，采用化学趋向性方法和风趋向性方法以及视觉方法分别判定下一步的搜寻方向，并将当前时刻的搜寻条件，即影响搜寻方法性能的主要因素，输入至训练好的人工神经网络得到各方法的适用度，即驱动力大小，最后，采用驱动力矢量合成的方法规划机器人局部搜寻路径，所述的采用化学趋向性方法和风趋向性方法以及视觉方法分别判定下一步的搜寻方向，并确定各方法的驱动力大小是，驱动力为每一种搜寻方法驱使机器人沿某个方向搜寻的能力，驱动力方向由搜寻方法决定，驱动力大小是将当前时刻的搜寻条件输入至训练好的人工神经网络得到；最后，通过合成不同搜寻方法的驱动力决定机器人下一步的搜寻方向及搜寻步长。 【当前权利人】天津大学 【当前专利权人地址】天津市津南区海河教育园区雅观路135号天津大学北洋园校区 【统一社会信用代码】12100000401359321Q 【引证次数】4.0 【自引次数】2.0 【他引次数】2.0 【家族引证次数】4.0 【家族被引证次数】12
