基于移動傳感器網(wǎng)絡的氣體源定位

吳玉秀，孟慶浩，曾 明

(天津大學電氣與自動化工程學院機器人與自主系統(tǒng)研究所，天津 300072)

基于移動傳感器網(wǎng)絡的氣體源定位

吳玉秀，孟慶浩，曾 明

(天津大學電氣與自動化工程學院機器人與自主系統(tǒng)研究所，天津 300072)

針對目前基于無線傳感器網(wǎng)絡定位氣體源方法中存在的因探索區(qū)域尺寸、邊界等先驗知識缺失而造成節(jié)點部署困難的問題，提出了一種使用有限個低成本機器人構成移動傳感器網(wǎng)絡進行氣體源定位的方法．該方法中，首先以期望拓撲結構排列的移動傳感器網(wǎng)絡節(jié)點采集氣體濃度并上傳至上位機；然后上位機使用非線性最小二乘方法對氣體源位置進行估計，并將位置估計結果發(fā)送給移動傳感器網(wǎng)絡節(jié)點；最后由移動節(jié)點計算出目標位姿，并采用飽和控制的方法鎮(zhèn)定到該位姿．通過上述步驟的不斷循環(huán)，移動傳感器網(wǎng)絡最終將移動到氣體源附近，從而實現(xiàn)對氣體源較為精確的定位．室內(nèi)自然通風環(huán)境中，使用 6個自制的機器人組成具有固定圓形拓撲的移動傳感器網(wǎng)絡進行了氣體源定位實驗．實驗結果表明，適當選擇拓撲半徑，該方法可在 6,min左右實現(xiàn)精度為 30,cm的氣體源定位.

移動傳感器網(wǎng)絡；氣體源定位；非線性最小二乘；動態(tài)部署

在很多行業(yè)中，需要使用危險化學品．這些危險化學品(特別是氣體)一旦泄漏將直接對人的生命和財產(chǎn)造成威脅．目前，使用無線傳感器網(wǎng)絡(wireless sensor network，WSN)的氣體源定位(gas source localization，GSL)的研究取得了較大的進展[1-3]．然而，在使用WSN對氣體源進行定位的過程中，通常需要節(jié)點的部署覆蓋到氣體源；另外，為保證對氣體源定位的精度，在距離氣體源較近的位置必須部署節(jié)點．因此在實際情況下(特別是在未知環(huán)境中)，主要靠增大傳感器散布的面積和密度來滿足以上兩點．這也是目前采用WSN解決GSL的多數(shù)研究停留在仿真階段的主要原因．

考慮WSN在GSL應用中的局限性，利用多機器人對氣體擴散形成的煙羽進行跟蹤，進而實現(xiàn)對氣體源定位的研究已得到了一些研究者的重視. Zarzhitsky等[4]利用多機器人編隊，使用通量趨向性算法實現(xiàn)了煙羽跟蹤和釋放源定位．Hayes等[5]提出了一種協(xié)調(diào) spiral-surge(S-S)方法，該方法利用處于上風向且當前為surge狀態(tài)的機器人吸引處于下風向的機器人或者當前處于spiral狀態(tài)的上風向的機器人．這些方法都需要實時對測得的風信息和測得的氣體濃度信息進行處理，根據(jù)輸出的信息直接控制機器人進行運動．另外，一些學者使用優(yōu)化的方法對氣味源進行定位．文獻[6-7]對粒子群優(yōu)化(particle swarm optimization，PSO)算法進行改進并應用于氣體源定位．駱德漢等[8]利用機器人測得濃度信息，改進了蟻群優(yōu)化(ant colony optimization，ACO)算法使其適用于多機器人多氣味/氣體源定位．優(yōu)化算法在煙羽搜索上應用具有很大的優(yōu)勢，但由于隨機運動的存在，需機器人頻繁運動，特別是針對現(xiàn)實中氣體濃度的間歇性和離散性，更增加了搜索的難度．故在文獻[6]中使用風信息來優(yōu)化隨機搜索的方向．綜上所述，由于現(xiàn)有的風傳感器或者比較昂貴，或者功耗較大，或者體積較大，且由于低成本的微(小)機器人的運行速度和能量受到限制，故上述算法較難在實際中實現(xiàn)．

綜合WSN和多機器人GSL方法，本文提出了一種基于移動傳感器網(wǎng)絡(MSN)的氣體源定位算法，所提定位算法中移動節(jié)點不需對風信息進行實時測量．該算法可以看作是一個通過有限節(jié)點的傳感器網(wǎng)絡的動態(tài)部署實現(xiàn)對氣體源進行估計的過程．每個估計周期分兩步，首先對環(huán)境中的氣體進行一段時間的測量，根據(jù)測量的濃度均值對氣體源位置參數(shù)進行估計；接著在朝向估計值的方向上選擇一點作為網(wǎng)絡的幾何中心重新部署網(wǎng)絡．

在對氣體源參數(shù)估計時，文中采用最小二乘的方法；節(jié)點的重新部署對單個機器人而言相當于機器人在指定位置實現(xiàn)點鎮(zhèn)定，筆者使用飽和控制的方法來實現(xiàn)．

此外，在自然通風的室內(nèi)環(huán)境中，使用自制的MSNN對本文方法的有效性進行了實驗驗證，并與相同環(huán)境下的WSN的定位方法進行了對比，證明本文方法具有一定的優(yōu)勢．

1 問題描述

使用有限數(shù)量的機器人作為移動節(jié)點組成具有固定幾何拓撲結構的 MSN對氣體源進行定位的方法結合了WSN和移動機器人兩方面的優(yōu)勢，可以實現(xiàn)從較遠的距離不斷移動并接近氣體源，最終實現(xiàn)對氣體源的定位．

圖 1給出了使用 MSN對氣體源進行定位的實現(xiàn)方案．圖中的定位過程可以描述為：首先，在氣體煙羽覆蓋的范圍內(nèi)，給定MSN的幾何拓撲和拓撲基準點( )，使機器人按照給定的拓撲排列；其次，所有機器人對濃度值進行測量，把測量值上傳到上位計算機，計算機利用接收的值對源的位置 (,進行估計得到 (,)，然后把該估計值廣播給每個機器人；再次，機器人以接收到的源位置估計值)，在保持原幾何拓撲不變的情況下，通過計算得到自己的目標點，進而獲得期望的鎮(zhèn)定位姿；反復進行上述估計運動過程，直到源位置估計值 ()收斂，實現(xiàn)對氣體源的定位．

圖1 基于MSN的氣體源定位方案Fig.1 Scheme of gas source localization based on MSN

2 氣體擴散模型與傳感器標定

采用由多個機器人組成的 MSN對氣體源進行定位時，首先需要知道氣體在測量范圍內(nèi)的擴散模型；其次，在定位區(qū)域中平均風速已知的前提下，機載氣體傳感器測得的濃度信息是定位過程中所利用的主要信息．對同一濃度值，測量所用機器人能夠得到較為相近甚至相同的值，才能保證濃度測量的有效性．故而，氣體擴散模型的確定和傳感器的標定是定位算法實現(xiàn)的前提條件．

2.1 氣體擴散模型

Jones[9]通過實驗證明采用類高斯模型所得出的濃度分布與實測濃度相吻合．故而在時均風恒定(即風的波動較小)，且風的湍動具有各向同性和均勻性的條件下，令平均風向的下風向為x軸正方向，則根據(jù)文獻[10]可以得到二維氣體擴散的高斯模型為

式中：cM,i(xi, yi)為通過模型計算得到的坐標點(xi, yi)的濃度值；q為氣體的平均釋放率；K為湍流擴散系數(shù)；為風速的均值；d為點(xi, yi)與氣體源的 (xs, ys)的距離，

圖 2給出了使用式(1)計算出的濃度分布，圖中氣體源位于(30,cm，0,cm)，平均風速設置為10,cm/s，釋放率和湍流擴散系數(shù)分別為 30,mL/h和30,cm2/s．

圖2 類高斯擴散模型下的氣體濃度分布Fig.2 Gas concentration distribution using Gaussian-like diffusion model

2.2 氣體傳感器標定

本研究中，使用酒精蒸氣作為目標氣體，機載氣體傳感器采用 e2v公司的金屬氧化物半導體傳感器MICS-5521，此類傳感器的電阻值會隨目標氣體濃度的增加而減小，其電路連接方式見圖3[11]．

圖3 氣體傳感器MICS-5521電路Fig.3 Circuit of the gas sensor MICS-5521

圖 3中sV表示氣體傳感器的輸出．多次實驗表明，環(huán)境的溫度和濕度對傳感器的電壓輸出sV影響比較明顯，但是對sV的變化值sVΔ (氣體傳感器當前電壓與其在純凈空氣中電壓的差值)的影響較小，所以此處使用氣體濃度c和對應的輸出電壓變化值sVΔ對傳感器進行標定．類似于文獻[12]中公式，此處有

式中1α、2α和3α為待定參數(shù)，對于不同的傳感器它們的值不同．實際標定過程中，根據(jù)已知濃度值和與之對應的 ΔVs，使用非線性擬合的方法得到待定的參數(shù)值．

3 基于MSN的氣體源定位

處于氣體煙羽當中固定幾何拓撲的 MSN，根據(jù)其移動節(jié)點機載氣體傳感器的測量值，利用非線性最小二乘的方法估計氣體源的位置，然后驅使移動節(jié)點使用飽和控制的方法鎮(zhèn)定到新的位姿，且保證所有節(jié)點鎮(zhèn)定后傳感器網(wǎng)絡的幾何拓撲中心是氣體源的估計位置，且拓撲中心不變．這是氣體源定位過程中的主要步驟．上述兩個步驟不斷循環(huán)，即可使 MSN部署到氣體源附近，實現(xiàn)對氣體源位置較為精確的定位．

3.1 氣體源位置估計

使用多個空間位置不同的移動節(jié)點測得的濃度數(shù)據(jù)對氣體源位置進行估計，使用的是MSN中的傳感器網(wǎng)絡的特點，此處采用非線性最小二乘法來實現(xiàn)．非線性最小二乘法是一種參數(shù)估計方法[13]，其基本原理是選擇模型中要估計的參數(shù)，使得利用該參數(shù)和已知非線性模型計算出的函數(shù)值與測量值之間誤差的平方和最小，應用此方法的原因是該方法不需要濃度測量誤差的先驗知識，并且其數(shù)值求解容易實現(xiàn)．

針對本文的問題，MSN中的n個機器人對環(huán)境中的氣體濃度進行測量，機器人i的測量值為 cR,i，并通過無線通信模塊上傳到上位計算機．令 (?,)表示氣體源的估計位置，結合式(1)的高斯模型，可得非線性最小二乘的目標函數(shù)為

式中 dr為機器人i的位置與估計的氣體源位置之間的距離

在上述最小二乘問題中，( x?s, y?s)為待估參數(shù)．筆者使用文獻[14]中的迭代算法對上述的非線性最小二乘問題進行求解得到 (?,)．

3.2 MSNN鎮(zhèn)定

MSNN鎮(zhèn)定是指 MSNN可以運動到指定的位姿，這是節(jié)點能夠進行重新部署的關鍵．本研究中采用自行設計與研發(fā)的差速驅動小型移動機器人(multi-robot for intelligent cooperative exploration，MICE)作為MSNN(見圖4)，則其運動學方程為

式中：(xc, yc,θ)為機器人的位姿；ν和ω分別為機器人的線速度和角速度．

圖4 MICE機器人及機載傳感器Fig.4 MICE robot and onboard sensors

設計上述機器人的控制器，通常需要考慮約束

根據(jù)文獻[15]中的方法，定義坐標變換

基于式(4)的 MSNN模型，設計了一種無源、光滑的飽和時變控制器

式中 ρ1、ρ2和 ρ3為待定參數(shù)，由文獻[15]中的命題 1中的結論可知：在給定νmax和 ωmax的限定下，適當調(diào)整式(7)所示的控制器中的參數(shù) ρ1、ρ2和 ρ3可使機器人從任意位姿 (x, y, θ)T全局漸近收斂到 (0, 0, 0)T.

在實際應用過程中，移動節(jié)點i需要從起點位姿P=(x ,y,θ)T鎮(zhèn)定到期望位姿 P=(x,y,θ)T.

b,i b,i b,i b,i e,i e,i e,i e,i由于控制器位于機器人上，要使用控制器(7)控制機器人完成 Pb→Pe的運動，需要把期望位姿看作是系統(tǒng)的平衡點(0, 0, 0)．令 ΔPbe,i=(Δ xbe,i, Δ ybe,i, Δ θbe,i)T表示期望位姿相對于初始位姿的相對位姿，則有從而輸入控制器的初始位姿為

證明：根據(jù)文獻[15]中的命題1，可知機器人可以從任意的位置全局漸近收斂到位姿 (0, 0, 0)T，然后結合式(8)和式(9)，顯然推論1的結論成立．

3.3 MSNN目標位姿確定及運動同步

在本文中，令MSN的拓撲結構固定，且MSNN在起始位置按照固定拓撲排列，且全部朝向平均風向的反方向．在估計過程中，假設一段時間內(nèi)的平均風速/風向不存在大的波動，根據(jù)圖 4所示的氣體傳感器的安裝位置，則 MSNN始終朝向與平均風向相反的方向更有利于濃度測量．故而 MSNN期望朝向不變即 Δ θbe= 2k π(k = 0,1,2,? )．上一定位周期氣體源估計位置為 (x ?s0,y ?s0)；當前估計周期氣體源估計位置為(x?s, y?s)，則移動傳感器節(jié)點i期望位姿為

在 MSNN鎮(zhèn)定過程中，由于其采用相同的鎮(zhèn)定算法，聯(lián)合式(9)和式(10)可知

在運動過程中，MSNN之間的拓撲保持不變，且均使用控制器(7)進行控制．故只要保持機器人起始點同步，且整個地面環(huán)境差異較小的情況下，MSNN之間不會發(fā)生碰撞．所以在環(huán)境中不存在除 MSNN之外的其他障礙物時，MSNN運動過程中不考慮避障．

在每個MSN的定位周期，機器人于鎮(zhèn)定之前都需要上位機發(fā)一個字節(jié)的同步信號，使得環(huán)境中的所有MSNN同時開始運動，即可實現(xiàn)運動同步．

3.4 氣體源定位算法

結合上述的氣體源位置預估和 MSNN鎮(zhèn)定方法，配合上位機與MSNN之間的通信，可以實現(xiàn)基于MSN的氣體源定位算法．算法流程見圖5．算法實現(xiàn)步驟如下．

圖5 基于MSN的氣體源定位算法流程Fig.5 Flow chart of gas source localization using MSN

步驟2 在指定位置實現(xiàn)鎮(zhèn)定的MSNN每隔一定的時間 tΔ采集一次所在位置的濃度值，并通過無線模塊上傳至上位機．

步驟 3 上位機每隔時間MT對每個節(jié)點收集的數(shù)據(jù)進行去野和平均處理，得出時間間隔MT內(nèi)的統(tǒng)計濃度值．

步驟4 判斷接收數(shù)據(jù)是否合理．合理則應用非線性最小二乘法求解式(3)中的目標函數(shù)，得出估計點 (x?s, y?s)；否則放棄這次估計，重新采集數(shù)據(jù)．判斷數(shù)據(jù)合理的標準是：存在至少2個傳感器濃度測量值檢測到氣體．

步驟 6 判斷是否滿足停止條件，停止條件為：MSN中存在 TM內(nèi)測量濃度值的波動量大于閾值 cf的 MSNN，且 2次估計值之間距離小于固定閾值ε.當停止條件滿足，停止．

步驟 7 不滿足停止條件，上位機向 MSNN發(fā)送估計結果，然后延時 2tc(tc為 MSNN控制周期)等待．

步驟 8 ,MSNN接收到上位機傳來的數(shù)據(jù)，利用式(11)計算期望位姿，等待運動同步信號．

步驟9 上位機發(fā)送運動同步信號，MSNN接收到運動同步信號，應用控制器(7)鎮(zhèn)定到期望位姿．轉到步驟2進行新一輪的估計．

為了對實驗結果進行評價，定義MSN拓撲基點(xs0,ys0)移動的總距離大于λ，估計結果還不能滿足停止條件，則估計失敗，其中λ選擇為搜索區(qū)域外接圓的直徑．

4 實驗與分析

4.1 實驗設置

實驗在圖6所示的室內(nèi)自然通風的環(huán)境中進行，選取環(huán)境中通風方向上3,m×3,m的正方形區(qū)域為實驗區(qū)域．

圖6 實驗環(huán)境示意Fig.6 Sketch of the experimental environment

實驗中使用6臺自制的如圖4所示的MICE機器人，機器人上裝有氣體傳感器、電子羅盤、無線通信模塊以及用于機器人之間相對定位的麥克風和蜂鳴器．MICE機器人采用兩輪差速控制，機器人的最大線速度 νmax= 0.4m/s，機器人最大角速度為ωmax= 11.52rad/s．機器人本體沒有安裝風速/風向傳感器．

實驗所用氣體源如圖7所示，圖中所示通過調(diào)速真空泵和質(zhì)量流量控制器可以控制氣流的輸出速度，只要控制錐形瓶中的酒精濃度，就可以達到控制釋放率的目的．如圖7所示，采用恒溫水浴箱改變錐形瓶中的溫度控制酒精的蒸發(fā)速度來控制酒精的濃度．在本文的實驗中，釋放率和湍流擴散系數(shù)分別為30,mL/h和30,cm2/s．

圖7 氣體源Fig.7 Gas source

圖 8所示為實驗區(qū)域中心位置放置的一臺超聲風速儀在480,s內(nèi)所測的風速(相對于實驗區(qū)域坐標系的)和風向．求得風速和風向的均值分別為12.45 cm/s和0.36°，標準差分別為3.72,cm和19.53°．

圖8 用超聲風速儀測量的風速和風向信號Fig.8 Wind magnitude and direction measured by using an ultrasonic anemometer

實驗中使用第2.2節(jié)所述的方法對10支傳感器進行標定，選取其中參數(shù)相近的 6支安裝到機器人上．圖 9給出其中一個傳感器標定過程中，擬合的ΔVs與濃度值c之間關系曲線，對應參數(shù)為

圖9 氣體傳感器標定過程中的擬合曲線Fig.9 Fitted curve in the gas sensor calibration process

實驗中由 6個小型機器人組成的 MSN的幾何拓撲為圓形，第3.4節(jié)中所涉及參數(shù)設置如下．

在沒有氣體釋放時，標定好的傳感器測量的濃度值上下波動幅度在2×10-6以下，故在實際實驗中當測量得到的濃度值不小于 2×10-6時，定義 MSNN可檢測到目標氣體．

TM的選擇與傳感器的響應恢復曲線有關．據(jù)測試得知MICS-5521傳感器的響應加恢復時間在10,s左右，故而此處為了采集濃度的波動信號，TM的采集時間不小于10,s，此處選擇 TM＝30,s．

把MSN移動到氣體源附近，對氣體源的估計值大部分能落在30,cm的范圍內(nèi)，故選擇 ε= 30 cm．且此時 MSN中的存在濃度的波動值達到 100×10-6的MSNN，故選擇 cf=100×10-6．

針對第 3.2節(jié)中的 MSNN鎮(zhèn)定，選擇參數(shù)ρ1= 0.4，ρ2= 0.3，ρ3= 0.2．則可保證≤ωmax，≤νmax．

4.2 實驗結果

為了確定現(xiàn)實實驗中的MSN的幾何拓撲半徑，首先對本文的算法進行了仿真．考慮到 MICE機器人的體積，MSN拓撲半徑從 30,cm～100,cm每隔10,cm進行了50次仿真，結果如下．

(1) 當拓撲半徑選擇為30,cm時，氣體源定位成功率為 98%，通常完成定位需要 9或 10個定位周期；平均估計誤差為53,cm．

(2) 當拓撲的幾何半徑選擇為60,cm時，僅僅需要 6或 7個定位周期即可完成估計，平均估計誤差24.97,cm，成功率為70%．

(3) 當拓撲半徑選擇在70,cm～100,cm之間時，需要 6～7個定位周期可以完成估計，定位的成功率降低到50%以下．

鑒于如上的仿真結果，分別選擇MSN的拓撲半徑 30r= cm和 60r= cm進行了實驗．實驗過程中，濃度的采集周期 0.5tΔ= s，定位周期 60T= s，MSNN的控制周期為c0.5t= s．

利用第 4.1節(jié)中設置的控制參數(shù)，結合式(7)給出的控制器，進行大量的仿真和實驗．結果表明，在x≤ 2.4m，y ≤ 2.4m的范圍內(nèi)，當式(10)中的k取值為 1，則機器人可以在 30,s內(nèi)鎮(zhèn)定到任意點(x, y, 2π)，令鎮(zhèn)定誤差表示為(εx,εy,εθ)，則有≤ 5cm，≤ 10cm，≤2°．

圖10(a)和10(b)分別給出了仿真機器人軌跡與MICE實際運行軌跡以及仿真機器人朝向變化與MICE實際運行過程中朝向變化．從圖中可以看出，MICE實際運行的路徑與仿真軌跡有較小偏差．并且實驗過程中角度的收斂速度略高于仿真結果且 30,s能收斂到 2°以內(nèi)．實現(xiàn)了從(0 m, 0 m, 2π rad)到(2.4 m, 2.4 m, 0 rad)的鎮(zhèn)定，鎮(zhèn)定誤差為 (1.1cm,10 cm,1.89)°．根據(jù)第3.4節(jié)中所述，機器人每次移動距離小于2r，故MSNN在一個定位周期移動的最大距離小于等于 2×60＝120,cm，所以此處的鎮(zhèn)定效果能滿足要求．

圖10 鎮(zhèn)定過程(初始位姿(0, 0, 2π)，目標位姿(2.4, 2.4, 0))Fig.10 Stabilization process(starting from(0, 0, 2π)to (2.4, 2.4, 0))

圖11給出了r＝30,cm時使用6個MSNN成功定位氣體源的實驗過程中的幾個瞬間截圖．整個定位過程中，初始點為 P0(2 .1m, - 0.90 m)，氣體源位P1(1.80 m,- 0.86 m)→ P2(1.46m, - 0.74m)→ P3(1.25 m, -0 .40 m)→ P4(0.74 m,-0 .18 m)→ P5(0.17 m,-0.34 m)→ P6(0.32m,-0 .10m)．此過程中的濃度統(tǒng)計值見表1(詳細的實驗過程錄像見鏈接 http：//v.youku.com/ v_show/id_XNjA2MDY0ODA0.html)．

表 2給出了實驗的結果，其中γ為定位成功率；Ttotal為定位成功需要的估計周期平均值；L為成功定位的 MSN中心點移動的直線距離之和的平均值；E為定位成功的平均誤差．

根據(jù)表 2給出的實驗結果可以看出，實驗中，當r＝60,cm 時，實驗中的定位誤差明顯大于仿真中的誤差．這主要是由于在氣體源附近，煙羽呈細條狀，MSN靠近氣體源時，由于拓撲半徑比較大，很多情況下只有一個傳感器能夠測得有效的濃度值．這樣，另外一個傳感器的干擾信號很容易引起對氣體源位置的誤估，增大估計誤差．

圖11 使用MSN定位氣體源場景Fig.11 Scenario of gas source localization using MSN

表1 對應圖11氣體源定位過程中MSNN濃度統(tǒng)計值Tab.1 Concentration statistics of MSNN in gas sourcelocalization process corresponding to Fig.11 10-6

表2 基于MSN的氣體源定位結果Tab.2 Results of gas source localization using MSN

為了說明本文所提MSN方法相對于固定WSN的優(yōu)勢，進行了固定 WSN的實驗．保持上述 MSN實驗中的條件不變，使用非線性最小二乘方法，進行了20次定位實驗．每次定位實驗中，WSN節(jié)點的位置是由隨機函數(shù)產(chǎn)生的0～3的不重合的6個二維隨機向量．根據(jù)表2中對Ttotal的定義，此處每次定位實驗進行10次單獨的估計，且估計周期選擇與MSN相同，選定10次估計的平均值作為最后的結果．

使用基于WSN的氣體源定位算法的最后20次的平均估計誤差為 64.53,cm，明顯高于使用本文MSN方法的估計誤差．另外使用 WSN進行氣體源定位的過程中，其估計誤差波動強烈．

5 結 語

本文提出了一種適用于室內(nèi)自然通風條件下的使用移動傳感器網(wǎng)絡對氣體泄漏源進行定位的方法．實測風數(shù)據(jù)和實驗結果表明，該方法的實現(xiàn)不需要嚴格規(guī)定風是恒定不變的假設．若給 MICE配備避障模塊，則文中方法可用于簡單的結構化環(huán)境(如大型倉庫、實驗室、油庫等)中進行危險氣體源泄漏的定位．另外，文中對文獻[15]中的飽和控制器進行了推廣，并且通過對初始角度的選擇，使得其在有限時間內(nèi)可以實現(xiàn)一定范圍內(nèi)任意點的鎮(zhèn)定．實驗表明具有較小的誤差，這保證了移動節(jié)點動態(tài)部署的準確性．

［1］ Zhao F，Shin J，Reich J. Information-driven dynamic sensor collaboration for tracking applications [J]. IEEE Signal Processing Magazine，2002，19(3)：61-72.

［2］ Vijayakumaran S，Levinbook Y，Wong T F. Maximum likelihood localization of a diffusive point source using binary observations [J]. IEEE Transactions on Signal Processing，2007，55(2)：665-676.

［3］ 匡興紅，邵惠鶴. 基于傳感器網(wǎng)絡的氣體源定位方法研究 [J]. 系統(tǒng)仿真學報，2007，19(7)：1464-1467. Kuang Xinghong，Shao Huihe. Study of plume localization based on WSN [J]. Journal of System Simulation，2007，19(7)：1464-1467(in Chinese).

［4］ Zarzhitsky D，Spears D. Swarm approach to chemical source localization [C]// IEEE International Conference on Systems，Man and Cybernetics. Waikoloa：IEEE Press，2005：1435-1440.

［5］ Hayes A T，Martinoli A，Goodman R M. Distributed odor source localization [J]. Sensors Journal，IEEE，2002，2(3)：260-271.

［6］ Meng Q H，Yang W X，Wang Y，et al. Collective odor source estimation and search in time-variant airflow environments using mobile robots [J]. Sensors，2011，11(11)：10415-10443.

［7］ 張建化，鞏敦衛(wèi)，張 勇. 基于微粒群優(yōu)化的有限通信多機器人氣味尋源 [J]. 控制與決策，2013，28(5)：726-730. Zhang Jianhua，Gong Dunwei，Zhang Yong. Localizing odor sources using multiple robots based on particle swarm optimization in limited communication environments[J]. Control and Decision，2013，28(5)：726-730 (in Chinese).

［8］ 駱德漢，鄒宇華，莊家俊. 基于修正蟻群算法的多機器人氣味源定位策略研究 [J]. 機器人，2008，30(6)：536-541. Luo Dehan，Zou Yuhua，Zhuang Jiajun. Multi-robot odor source localization strategy based on a modified ant colony algorithm[J]. Robot，2008，30(6)：536-541 (in Chinese).

［9］ Jones C. On the structure of instantaneous plumes in the atmosphere [J]. Journal of Hazardous Materials，1983，7(2)：87-112.

［10］ Ishida H，Kagawa Y，Nakamoto T，et al. Odor-source localization in the clean room by an autonomous mobile sensing system[J]. Sensors and Actuators B：Chemical，1996，33(1/2/3)：115-121.

［11］ E2V Company. MiCS-5521 Datasheet [R]. A1AMiCS5521 Version 2，2008.

［12］ Graf M，Barrettino D，Taschini S，et al. Metal oxidebased monolithic complementary metal oxide semiconductor gas sensor microsystem [J]. Analytical Chemistry，2004，76(15)：4437-4445.

［13］ Kay S M. Fundamentals of Statistical Signal Processing，VolumeⅠ： Estimation Theory[M]. Upper Saddle River：Prentice Hall，1993.

［14］ Coleman T F，Li Y. An interior trust region approach for nonlinear minimization subject to bounds [J]. SIAM Journal on Optimization，1996，6(2)：418-445.

［15］ Jiang Z P，Lefeber E，Nijmeijer H. Saturated stabilization and tracking of a nonholonomic mobile robot [J]. Systems & Control Letters，2001，42(5)：327-332.

(責任編輯：孫立華)

Gas Source Localization Based on Mobile Sensor Network

Wu Yuxiu，Meng Qinghao，Zeng Ming
(Institute of Robotics and Autonomous System，School of Electrical Engineering and Automation，Tianjin University，Tianjin 300072，China)

Considering the difficulty in deploying the nodes for the wireless-sensor-network-based gas source localization(GSL)methods owing to the lack of the prior knowledge such as the detecting area and the boundary，this paper addresses a GSL method using the mobile sensor network(MSN)which is composed of a limited number of low-cost robots. In this method，firstly，the MSN nodes with expected topology collect gas concentration and send it to a central node；Secondly，the central node estimates the gas source location using a nonlinear least square method and sends the outcome to the MSN nodes；Finaly，the MSN nodes calculate the target pose and the nodes are stabilized near the target using saturation control. Through repeating the above cycles，the MSN nodes can eventually approach the gas source. Experiments in an indoor ventilated environment show that a GSL accuracy of 30 cm within about six minutes could be achieved.

mobile sensor network；gas source localization；nonlinear least squares；dynamic deployment

TP391

A

0493-2137(2015)02-0139-08

10.11784/tdxbz201309028

2013-09-07；

2013-10-11.

國家自然科學基金資助項目(61271321，60875053)；教育部博士點基金資助項目(20120032110068).

吳玉秀（1982— ），男，博士研究生，yuxiu_wu@163.com.

孟慶浩，qh_meng@tju.edu.cn.

時間：2013-11-08. 網(wǎng)絡出版地址：http：//www.cnki.net/kcms/detail/12.1127.N.20131108.1045.002.html.