CN112113603B - 一种基于移动机器人的室内多源环境健康指数监测评估方法 - Google Patents
一种基于移动机器人的室内多源环境健康指数监测评估方法 Download PDFInfo
- Publication number
- CN112113603B CN112113603B CN202010311288.XA CN202010311288A CN112113603B CN 112113603 B CN112113603 B CN 112113603B CN 202010311288 A CN202010311288 A CN 202010311288A CN 112113603 B CN112113603 B CN 112113603B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- source
- environmental
- health index
- mobile robot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 230000005183 environmental health Effects 0.000 claims abstract description 21
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 19
- 231100000719 pollutant Toxicity 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims description 42
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 239000000356 contaminant Substances 0.000 claims description 9
- 241000894006 Bacteria Species 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 239000012855 volatile organic compound Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000013618 particulate matter Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 description 12
- 238000012952 Resampling Methods 0.000 description 8
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 8
- 239000000126 substance Substances 0.000 description 5
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 4
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 4
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/66—Tracking systems using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于移动监测的室内多源环境健康指数评估方法,属于环境监测和电子信息技术领域,包括获取多源环境参数、多源数据处理和环境健康指数综合评估。获取多源环境参数阶段是控制机器人按指定的路径移动,记录机器人到达的每个位置和该位置的环境特征;多源数据处理阶段是对多源环境参数进行融合、滤波、插值和可视化;环境健康指数综合评估阶段是使用模糊逻辑评估算法对处理后的多源空气数据进行评估。该方法与传统的固定监测相比,可以只使用一个监测节点进行环境监测,减少节点的数量和成本,并且可以对固定节点监测不到的区域进行监测,提高环境监测的粒度和灵活性;可以参照不同污染物对环境健康指数进行更加综合、全面的评估。
Description
技术领域
本发明涉及一种健康指数监测评估方法,尤其是一种基于移动监测的室内多源环境健康指数评估方法,属于环境监测和电子信息技术领域。
背景技术
现如今人们长时间呆在室内生活和工作,由于各种原因,室内环境充斥着细菌、甲醛、苯、氨、放射性氡等许多有害物质污染源,一旦这些有害物质的浓度超标,将会对人的生命健康造成不可逆的伤害,所以室内环境质量愈发受到人们的重视。对室内环境质量进行监测评估可以了解室内有害物质的浓度和范围,及时的采取消毒、通风等措施,保障人们的健康,同时可以根据监测的温度、湿度等参数对建筑的通风、空调等***进行控制,提高人们生活、工作的舒适度和节约能耗。
现有的室内环境监测方法主要是在室内安装固定的传感器,对环境特征进行连续监测。但是室内环境复杂多变,空间环境参数分布不均匀,传感器只对几分米范围内的区域敏感,固定监测的分辨率和灵敏度都依赖于安装的节点数量和密度,所以依赖于传感器分布的低粒度固定监测很难对室内环境进行全面的监测。同时对多个固定的传感器节点提供有线电源或其他基础设施也比较困难,会导致固定监测的建设和维护成本较高。现有的室内环境评估方法主要是参考《环境空气质量标准》分级计算,该空气质量评价的主要污染物为细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)、一氧化碳(CO)六项,该评价方法会导致参照污染物种类固定,不灵活。
发明内容
本发明所要解决的技术问题是为解决传统室内固定节点监测分辨率低、灵活性差、成本高,评估方法污染物种类固定,不灵活等问题,提出一种基于移动机器人的室内多源环境健康指数监测评估方法。
本发明为解决上述技术问题采用以下技术方案:
一种基于移动监测的室内多源环境健康指数评估方法,包括获取多源环境参数、多源数据处理和环境健康指数综合评估三个阶段;其中获取多源环境参数阶段是利用移动机器人控制模块控制机器人按指定的路径移动,通过环境监测模组和定位模块记录移动机器人到达的每个点的位置和该位置的环境特征;多源数据处理阶段是利用数据处理模块对多源环境参数进行融合、滤波、插值和可视化;环境健康指数综合评估阶段是使用模糊逻辑评估算法对滤波和插值后的多源空气数据进行评估;
具体步骤如下:
步骤1,获取多源环境参数:获取多源环境参数过程包括通过控制模块控制机器人按照指定的路径移动;使用多合一环境监测传感模组进行环境特征参数监测;室内定位模块使用激光雷达采集位置参数;
步骤2,多源数据处理:数据处理模块将从环境监测模组和定位模块得到的多源环境参数、位置坐标和时间戳进行融合;对原始数据进行平滑和卡尔曼滤波处理以减小测量误差,再对数据进行插值并且可视化;
步骤3,环境健康指数综合评估:环境评估模块从数据处理模块分别得到滤波和插值后的数据,分别计算出各种污染物的隶属度函数,对数据进行模糊化处理;设定模糊逻辑决策规则,根据规则进行运算,采用最小法则得到输出;对模糊集合进行去模糊化处理,得到环境健康指数。
作为本发明一种基于移动机器人的室内多源环境健康指数监测评估方法的进一步优选方案,所述步骤1具体如下;
步骤1.1,控制模块控制机器人按照指定的路径移动为移动机器人规划好行走的路径,输入到控制模块,移动机器人将会按照规划好的轨迹在室内进行移动;
步骤1.2,多合一环境监测传感模组进行环境特征参数监测:将CO2、温湿度、颗粒物、可挥发性有机物、甲醛和细菌等传感器模块集成于一个传感模组;
步骤1.3,室内定位模块使用激光雷达采集位置参数:先让移动机器人搭载激光雷达扫描出室内地图,当移动机器人按规定的轨迹在室内移动时,利用激光雷达可以得到机器人到达的每个点的位置;将接收到的从目标反射回来的信号与发射信号进行比较, 作适当处理后,获得目标的有关信息,包含目标距离、方位、高度、速度、姿态、甚至形状等参数,从而对等目标进行探测、跟踪和识别。
作为本发明一种基于移动机器人的室内多源环境健康指数监测评估方法的进一步优选方案,所述步骤2具体如下:
步骤2.1,数据处理模块将从环境监测模组和定位模块得到的多源环境参数、位置坐标和时间戳进行融合;
步骤2.2,对数据进行平滑和卡尔曼滤波处理:
步骤2.3,对数据进行插值:采用加权K近邻插值算法对室内移动传感没有涉及的区域进行插值,其具体公式为:
其中,cij表示污染物i在K个已监测点中第j个的点的浓度,i为SO2、NO2、PM10 及PM2.5,Dij表示污染物i在K个已监测点中第j个的点到未检测点的距离;
步骤2.4,将数据进行可视化,具体步骤为:根据每个时间对应的参数测量参数画出各种监测物浓度随时间的变化图,当移动机器人在室内移动时可根据激光雷达获得移动机器人的位置,每个位置都可以和当时的环境参数相对应,待监测区域经过插值算法插值后,室内每个位置都有对应的环境参数,画出环境监测数据的空间分布热图,颜色越红表示污染物浓度越高,颜色越蓝表示污染物浓度越低,直观的看出污染源的大致位置和污染源区域的面积大小。
作为本发明一种基于移动机器人的室内多源环境健康指数监测评估方法的进一步优选方案,在步骤3中,采用模糊逻辑评估算法对多源空气数据进行评估,
具体步骤如下:
步骤3.1,环境评估模块从数据处理模块分别得到滤波和插值后的数据,分别计算出各种污染物的隶属度函数,对数据进行模糊化处理;
步骤3.2,设定模糊逻辑决策规则,根据规则进行运算,采用最小法则得到输出,且输出结果在模糊逻辑中定义为Fire Strength(FS);
步骤3.3,对模糊集合进行去模糊化处理,得到环境健康指数。
作为本发明一种基于移动机器人的室内多源环境健康指数监测评估方法的进一步优选方案,在步骤3.1中,选择三角隶属函数。
作为本发明一种基于移动机器人的室内多源环境健康指数监测评估方法的进一步优选方案,在步骤3.2中,输出由颗粒物、细菌数目、甲醛浓度和可挥发性有机物共同决策,当各种污染物都经过模糊化之后,采用最小法则得到输出。
作为本发明一种基于移动机器人的室内多源环境健康指数监测评估方法的进一步优选方案,所述步骤3.3具体如下,模糊逻辑通过模糊化将输入的数值转化成各个集合的隶属度之后,通过规则和运算得到若干个FS,采用加权平均判决法去模糊化来得到环境健康指数H;
其中,其中FS就是上一步输出的Fire Strength,wi是权重,权重通常是取每个类别污染物浓度集合的中间值。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明采用以上技术手段后可以获得以下优势:由于采用了本技术方案,本发明利用移动机器人控制模块控制机器人按指定的路径移动,通过环境监测模组和定位模块并记录移动机器人到达的每个点的位置和该位置的环境特征;利用数据处理模块对多源环境参数进行融合、滤波、插值和可视化;使用模糊逻辑评估算法对滤波和插值后的多源空气数据进行评估。与现有技术相比,本技术可以只使用一个监测节点进行环境监测,减少固定监测节点的数量和成本,并且可以对固定节点监测不到的区域进行监测,提高环境监测的粒度和灵活性;可以对环境健康指数进行更加综合、全面的评估。
附图说明
图1是基于移动机器人的多源环境质量监测评估方法流程图;
图2是移动监测***架构图;
图3是加权K近邻算法流程图;
图4是颗粒物隶属度函数图。
具体实施方式:
下面结合附图对本发明的技术方案做进一步的详细说明:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。图1为本发明所述基于移动机器人的多源环境质量监测评估方法流程图,图2为本实施例提供的一种移动监测***架构图,图3为本实施例提供的一种加权K近邻算法流程图,图4为本实施例提供的一种颗粒物隶属度函数图。
一种基于移动监测的室内多源环境健康指数评估方法,包括获取多源环境参数、多源数据处理和环境健康指数综合评估三个阶段;其中获取多源环境参数阶段是利用移动机器人控制模块控制机器人按指定的路径移动,通过环境监测模组和定位模块记录移动机器人到达的每个点的位置和该位置的环境特征;多源数据处理阶段是利用数据处理模块对多源环境参数进行融合、滤波、插值和可视化;环境健康指数综合评估阶段是使用模糊逻辑评估算法对滤波和插值后的多源空气数据进行评估;
如图1所示,具体包括如下步骤:
(1)获取多源环境参数:其中获取多源环境参数过程包括通过控制模块控制机器人按照指定的路径移动;使用多合一环境监测传感模组进行环境特征参数监测;室内定位模块使用激光雷达采集位置参数;
(2)多源数据处理:数据处理模块将从环境监测模组和定位模块得到的多源环境参数、位置坐标和时间戳进行融合;对原始数据进行平滑和卡尔曼滤波处理以减小测量误差,再对数据进行插值并且可视化。
(3)环境健康指数综合评估:环境评估模块从数据处理模块分别得到滤波和插值后的数据,分别计算出各种污染物的隶属度函数,对数据进行模糊化处理;设定模糊逻辑决策规则,根据规则进行运算,采用最小法则得到输出;对模糊集合进行去模糊化处理,得到环境健康指数。
所述获取多源环境参数步骤如下:
a.控制模块控制机器人按照指定的路径移动
本实施例为移动机器人规划好行走S形的路径,输入到控制模块,移动机器人将会按照规划好的轨迹在室内进行移动。
b.多合一环境监测传感模组进行环境特征参数监测
本实施例将CO2、温湿度、颗粒物、可挥发性有机物、甲醛和细菌传感器模块集成于一个传感模组。在本方法中,传感模组主要作用是对环境参数进行监测。
可以理解的是,可通过将不同的传感器模块集成在一个模块组中,从而对室内环境的不同参数进行监测。其中环境监测的参数可以为物理性参数、化学性参数和生物性的参数。物理性参数包括室内的温度、相对湿度等,化学性参数包括CO2、颗粒物、可挥发性有机物、甲醛等,生物性参数主要为室内环境中一些细菌。传感器模块的种类可根据室内环境要监测的目的污染源种类进行调整。最后,传感器模组多种参数将以数字接口的形式统一输出。
c.室内定位模块使用激光雷达采集位置参数
本实施例先让移动机器人搭载激光雷达扫描出室内地图,然后让移动机器人按规定的轨迹在室内移动时,利用激光雷达可以得到机器人到达的每个点的位置。激光雷达,是以发射激光束探测目标的位置、速度等特征量的雷达***。其工作原理是向目标发射探测信号,然后将接收到的从目标反射回来的信号与发射信号进行比较,作适当处理后, 就可获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数,从而对等目标进行探测、跟踪和识别。激光雷达传感器以其高灵敏度和高精度受到科研人员的青睐。本方法中,主要使用激光雷达来获取移动机器人的位置,其算法如下:在室内环境中,为了满足精度要求,同时考虑到计算机硬件的性能,可将open-air Gmapping 算法应用于移动***的定位算法中。该算法基于RBPF(Rao-Blackwellized Particle Filter, Rao-Blackwellized Particle Filter,Rao-Blackwellized Particle Filter,Rao-Blackwellized Particle Filter,简称RBPF),利用激光雷达数据和里程表数据,优化提出的分布,引入自适应重采样机制,大大减少了所需粒子数,提高了计算效率,满足部分实时需求。
RBPF-SLAM的核心思想是利用外部传感器(通常是激光雷达)的观测信息 z1:t=z1,z2,...,zt和里程表信息u1:t=u1,u2,...,ut-1来估计环境地图m和机器人轨迹的联合后验概率p(x1:t,m|z1:t,u1:t-1),可以表示为这种形式:p(x1:t,m|z1:t,u1:t-1)=p(m|x1:t,z1:t)p(x1:t,u1:t-1)。
RBPF-SLAM通常使用重要性抽样滤波器(SIR)来估计联合后验概率。该过程包括:采样、计算粒子权重、重采样和更新贴图。Doucet等学者在RBPF算法的基础上提出了一种改进的重要概率密度函数。改进的粒子权重方差最优分布为:
当重采样时,根据改进粒子的权重重新分配粒子,为下一次预测提供输入。最后,根据粒子运动轨迹,计算出地图的后验概率密度函数。同时,为了避免重采样过程中用大质量的粒子替换小质量的粒子以及一些好的粒子被滤掉,最终耗尽了粒子数而导致算法失效的情况,仅当重采样低于阈值时才执行。由于重采样仅在需要时执行,因此重采样的次数将大大减少,从而大大降低过滤出良好粒子的风险。
所述多源数据处理步骤如下:
a.数据处理模块将从环境监测模组和定位模块得到的多源环境参数、位置坐标和时间戳进行融合。如图2所示,本实施例中具体的融合数据结构为:
时间 | 位置 | CO2浓度 | 温度 | 湿度 | … | TVOC浓度 |
b.对数据进行平滑和卡尔曼滤波处理由于来自移动传感的数据在时间上具有高度的稀疏性,本实施例以CO2为例,采用一维卡尔曼滤波器在时间序列上对CO2监测数据进行降噪和平滑。其余数据与之类似,故不累述。对于线性模型和高斯模型,通过卡尔曼滤波器的递推可以解析求解。yt表示CO2 传感器在时间t的观测值,同时ct作为估算CO2值的状态。然后递归模型表示可以为状态转移模型和测量模型,状态转移模型为Ct=ct-1+qt-1withqt-1~Nt-1(0,Qt-1),测量模型为 yt=ct+nt with nt~N(0,Rt),其中Q,R分别为***矩阵和测量矩阵;q和n是过程噪声和测量噪声的协方差矩阵。通过卡尔曼滤波可以解决一维CO2测量中线性模型的状态估计和高斯误差问题。
c.对数据进行插值,由于移动传感监测的数据在空间上具有高度的稀疏性,如图3所示,本实施例采用加权K近邻插值算法对室内移动传感没有涉及的区域进行插值,加权K近邻算法是通过选择离未检测点距离最近的K个已检测点,对这K个点的浓度进行加权平均作为已监测点的浓度,其中加权的系数是一个范围为0~1的欧式距离权重,与未检测点欧式距离越小,则对应的权重越大,反之,权重越小。加权K近邻的公式为:
其中cij表示污染物i在K个已监测点中第j个的点的浓度,i可以为SO2、NO2、PM10及PM2.5等,Dij表示污染物i在K个已监测点中第j个的点到未检测点的距离。
d.将数据进行可视化,根据每个时间对应的参数测量参数画出各种监测物浓度随时间的变化图,当移动机器人在室内移动时可根据激光雷达获得移动机器人的位置,每个位置都可以和当时的环境参数相对应,待监测区域经过插值算法插值后,室内每个位置都有对应的环境参数,画出环境监测数据的空间分布热图,可以更直观的看出污染源的大致位置和污染源区域的面积大小。
所述环境健康指数综合评估步骤如下:
a.环境评估模块从数据处理模块分别得到滤波和插值后的数据,分别计算出各种污染物的隶属度函数,对数据进行模糊化处理,本实施例选择三角隶属函数,因为三角形隶属函数其形状仅与它的直线斜率有关,运算较简单,如图4为颗粒物隶属度函数图,其他污染物与之类似,故不累述。
b.设定模糊逻辑决策规则,根据规则进行运算,采用最小法则得到输出,这些输出结果在模糊逻辑中定义为Fire Strength(FS)。在本实施例中输出由颗粒物、细菌数目、甲醛浓度、可挥发性有机物等共同决策。当各种污染物都经过模糊化之后,采用最小法则得到输出。如表一所示,可以构建模糊逻辑的决策规则,当污染物A和污染物B分别为A,B,C 时可以根据模糊逻辑规则得到对应的输出。模糊逻辑决策规则如表1所示;
表1
c.对模糊集合进行去模糊化处理,得到环境健康指数。模糊逻辑通过模糊化将输入的数值转化成各个集合的隶属度之后,再通过规则和运算得到若干个FS。本实施例采用加权平均判决法去模糊化来得到环境健康指数H。
其中,其中FS就是上一步输出的Fire Strength,wi是权重。权重通常是取每个类别污染物浓度集合的中间值。
上面结合附图对本发明的实施方式作了详细地说明,但是本发明并不局限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种基于移动机器人的室内多源环境健康指数监测评估方法,其特征在于:包括获取多源环境参数、多源数据处理和环境健康指数综合评估三个阶段;其中获取多源环境参数阶段是利用移动机器人控制模块控制机器人按指定的路径移动,通过环境监测模组和定位模块记录移动机器人到达的每个点的位置和该位置的环境特征;多源数据处理阶段是利用数据处理模块对多源环境参数进行融合、滤波、插值和可视化;环境健康指数综合评估阶段是使用模糊逻辑评估算法对滤波和插值后的多源空气数据进行评估;
具体步骤如下:
步骤1,获取多源环境参数:获取多源环境参数过程包括通过控制模块控制机器人按照指定的路径移动;使用多合一环境监测传感模组进行环境特征参数监测;室内定位模块使用激光雷达采集位置参数;
步骤2,多源数据处理:数据处理模块将从环境监测模组和定位模块得到的多源环境参数、位置坐标和时间戳进行融合;对原始数据进行平滑和卡尔曼滤波处理以减小测量误差,再对数据进行插值并且可视化;
上述步骤2具体如下:
步骤2.1,数据处理模块将从环境监测模组和定位模块得到的多源环境参数、位置坐标和时间戳进行融合;
步骤2.2,对数据进行平滑和卡尔曼滤波处理:
步骤2.3,对数据进行插值:采用加权K近邻插值算法对室内移动传感没有涉及的区域进行插值,其具体公式为:
其中,cij表示污染物i在K个已监测点中第j个的点的浓度,i为SO2、NO2、PM10及PM2.5,Dij表示污染物i在K个已监测点中第j个的点到未检测点的距离;
步骤2.4,将数据进行可视化,具体步骤为:根据每个时间对应的参数测量参数画出各种监测物浓度随时间的变化图,当移动机器人在室内移动时可根据激光雷达获得移动机器人的位置,每个位置都和当时的环境参数相对应,待监测区域经过插值算法插值后,室内每个位置都有对应的环境参数,画出环境监测数据的空间分布热图,颜色越红表示污染物浓度越高,颜色越蓝表示污染物浓度越低,直观的看出污染源的大致位置和污染源区域的面积大小;
步骤3,环境健康指数综合评估:环境评估模块从数据处理模块分别得到滤波和插值后的数据,分别计算出各种污染物的隶属度函数,对数据进行模糊化处理;设定模糊逻辑决策规则,根据规则进行运算,采用最小法则得到输出;对模糊集合进行去模糊化处理,得到环境健康指数。
2.根据权利要求1所述的一种基于移动机器人的室内多源环境健康指数监测评估方法,其特征在于:所述步骤1具体如下;
步骤1.1,控制模块控制机器人按照指定的路径移动为移动机器人规划好行走的路径,输入到控制模块,移动机器人将会按照规划好的轨迹在室内进行移动;
步骤1.2,多合一环境监测传感模组进行环境特征参数监测:将CO2、温湿度、颗粒物、可挥发性有机物、甲醛和细菌传感器模块集成于一个传感模组;
步骤1.3,室内定位模块使用激光雷达采集位置参数:先让移动机器人搭载激光雷达扫描出室内地图,当移动机器人按规定的轨迹在室内移动时,利用激光雷达得到机器人到达的每个点的位置;将接收到的从目标反射回来的信号与发射信号进行比较,作适当处理后,获得目标的有关信息,包含目标距离、方位、高度、速度、姿态、甚至形状参数,从而对目标进行探测、跟踪和识别。
3.根据权利要求1所述的一种基于移动机器人的室内多源环境健康指数监测评估方法,其特征在于:在步骤3中,采用模糊逻辑评估算法对多源空气数据进行评估,具体步骤如下:
步骤3.1,环境评估模块从数据处理模块分别得到滤波和插值后的数据,分别计算出各种污染物的隶属度函数,对数据进行模糊化处理;
步骤3.2,设定模糊逻辑决策规则,根据规则进行运算,采用最小法则得到输出,且输出结果在模糊逻辑中定义为Fire Strength(FS);
步骤3.3,对模糊集合进行去模糊化处理,得到环境健康指数。
4.根据权利要求3所述的一种基于移动机器人的室内多源环境健康指数监测评估方法,其特征在于:在步骤3.1中,选择三角隶属函数。
5.根据权利要求4所述的一种基于移动机器人的室内多源环境健康指数监测评估方法,其特征在于:在步骤3.2中,输出由颗粒物、细菌数目、甲醛浓度和可挥发性有机物共同决策,当各种污染物都经过模糊化之后,采用最小法则得到输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311288.XA CN112113603B (zh) | 2020-04-20 | 2020-04-20 | 一种基于移动机器人的室内多源环境健康指数监测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311288.XA CN112113603B (zh) | 2020-04-20 | 2020-04-20 | 一种基于移动机器人的室内多源环境健康指数监测评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112113603A CN112113603A (zh) | 2020-12-22 |
CN112113603B true CN112113603B (zh) | 2021-07-23 |
Family
ID=73798826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010311288.XA Active CN112113603B (zh) | 2020-04-20 | 2020-04-20 | 一种基于移动机器人的室内多源环境健康指数监测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112113603B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11631493B2 (en) | 2020-05-27 | 2023-04-18 | View Operating Corporation | Systems and methods for managing building wellness |
CN113075935A (zh) * | 2021-06-04 | 2021-07-06 | 深圳市慧航星科技有限公司 | 一种基于5g网络的机器人路径规划方法、***和存储介质 |
CN114254961A (zh) * | 2022-02-28 | 2022-03-29 | 世源科技工程有限公司 | 环境状态变化影响关系确定方法、装置、设备及存储介质 |
CN114254249B (zh) * | 2022-03-01 | 2022-05-17 | 深圳市今典建筑科技有限公司 | 一种空间区域健康指数确定方法及*** |
CN114689478B (zh) * | 2022-04-08 | 2022-11-15 | 江苏锦测环保科技有限公司 | 一种空气质量检测装置及方法 |
CN114463701B (zh) * | 2022-04-14 | 2022-07-01 | 华南农业大学 | 一种基于多源大数据动物养殖数据挖掘的监测预警*** |
CN114931365B (zh) * | 2022-06-06 | 2023-04-07 | 上海巍运信息科技有限公司 | 一种医疗健康数据在线监测分析方法、***及存储介质 |
CN115979265A (zh) * | 2022-12-08 | 2023-04-18 | 杜明芳 | 一种建筑环境健康检测移动机器人 |
CN116718555B (zh) * | 2023-08-11 | 2023-10-17 | 广东省建科建筑设计院有限公司 | 建筑室内污染物的检测方法、***以及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104089649B (zh) * | 2014-07-07 | 2017-01-04 | 浙江万里学院 | 一种室内环境数据采集***及采集方法 |
CN104102845B (zh) * | 2014-07-24 | 2017-12-05 | 北京坤成科技有限公司 | 尺度自适应的插值方法及尺度自适应的插值*** |
CN105550515B (zh) * | 2015-12-10 | 2018-05-08 | 山东科技大学 | 一种对空气质量数据进行多级综合评判的方法 |
CN108764648A (zh) * | 2018-04-28 | 2018-11-06 | 厦门理工学院 | 室内环境监测方法及监测装置 |
CN110427533B (zh) * | 2019-07-25 | 2023-04-18 | 东北师范大学 | 基于时序粒子跟踪的污染传播模式可视分析方法及*** |
-
2020
- 2020-04-20 CN CN202010311288.XA patent/CN112113603B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112113603A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112113603B (zh) | 一种基于移动机器人的室内多源环境健康指数监测评估方法 | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
Kucner et al. | Conditional transition maps: Learning motion patterns in dynamic environments | |
US7792598B2 (en) | Sparse sampling planner for sensor resource management | |
Kuchansky et al. | Combined models for forecasting the air pollution level in infocommunication systems for the environment state monitoring | |
Wang et al. | Efficient autonomous exploration with incrementally built topological map in 3-D environments | |
Kwok et al. | Evolutionary computing based mobile robot localization | |
CN112783988A (zh) | 一种空调通风***内部环境参数的监测反馈及分析方法 | |
Rafieisakhaei et al. | On the use of the observability gramian for partially observed robotic path planning problems | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
Stachniss et al. | Analyzing gaussian proposal distributions for mapping with rao-blackwellized particle filters | |
Ji et al. | Source searching in unknown obstructed environments through source estimation, target determination, and path planning | |
CN101364277B (zh) | 基于区间ⅱ型模糊集的t-s模糊模型的建模*** | |
Gao et al. | Bayesian optimization-based three-dimensional, time-varying environment monitoring using an UAV | |
Chen et al. | Satellite on-orbit anomaly detection method based on a dynamic threshold and causality pruning | |
Carlson et al. | Conflict metric as a measure of sensing quality | |
CN116953692A (zh) | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 | |
Zahroof et al. | Multi-robot localization and target tracking with connectivity maintenance and collision avoidance | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据*** | |
Riyaz et al. | Air quality prediction in smart cities: a fuzzy-logic based approach | |
CN115456075A (zh) | 一种目标行为异常预警的处理***及方法 | |
Bopardikar et al. | Robust belief roadmap: Planning under uncertain and intermittent sensing | |
Oussalah et al. | New fusion methodology approach and application to mobile robotics: investigation in the framework of possibility theory | |
Jazayeriy et al. | Predictive Modeling Using Copula Particle Filter and Adaptive Network-Based Fuzzy Inference |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |