CN113722923B - 一种基于改进rrt的多无人机协同气体泄漏源定位方法 - Google Patents
一种基于改进rrt的多无人机协同气体泄漏源定位方法 Download PDFInfo
- Publication number
- CN113722923B CN113722923B CN202111036179.2A CN202111036179A CN113722923B CN 113722923 B CN113722923 B CN 113722923B CN 202111036179 A CN202111036179 A CN 202111036179A CN 113722923 B CN113722923 B CN 113722923B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- initial
- lambda
- step length
- aerial vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000009792 diffusion process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005094 computer simulation Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 4
- 208000006673 asthma Diseases 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010006458 Bronchitis chronic Diseases 0.000 description 1
- 208000014085 Chronic respiratory disease Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000007451 chronic bronchitis Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进RRT的多无人机气体泄漏源定位方法，涉及气体泄漏源定位方法和计算机领域。本发明提出将RRT算法用于气体泄漏源定位，将监测的浓度作为RRT父节点选取的依据，利用RRT原有的建模时间短和参数少等优点，灵活快速地寻找到气体泄漏源。改进的RRT算法加入变步长公式，既减小陷入局部最优的可能性，又改进RRT算法原本搜索效率受步长初始值限制的缺点。通过计算机仿真验证了本算法具有取点随机灵活、陷入局部最优可能性小、搜索效率高、多无人机收敛快速的优点。
Description
技术领域
本发明涉及溯源算法和计算机领域，特别涉及一种基于改进RRT的多无人机协同气体泄漏源定位方法。
背景技术
随着我国的经济飞速发展，大量环境问题陆续涌现，其中包括人类生产生活导致的大气污染。根据钟南山博士在《柳叶刀》期刊中发表的《行动刻不容缓：中国空气污染对慢性呼吸道疾病的影响》，空气污染会引发人们的呼吸道疾病，如慢性支气管炎、哮喘和肺癌等，而且大气污染物对母体的保留可以影响婴儿今后的肺功能并增长其哮喘发病风险，所以大气污染的严峻形势对各级政府的应急响应和应急处置能力提出了新的要求。精准和快速地确定污染源的位置，对实现大气污染的靶向治理和制定有效的应急处置方案具有重要意义。
无人机在机动性和便携性方面，远远优于传统的固定监测站和观测气球等监测手段。目前的研究集中在应用搭载传感器的无人机进行大气环境监测和样本采集等活动，进而分析污染物的时空变化规律，鲜见将无人机技术用于大气污染的主动溯源。无人机具有低成本、高灵活性和易部署等优点,更有利于对大气污染源进行主动追踪和溯源。
溯源的实现依靠高级语言编制出的算法，目前不同的研究人员提出了不同的算法可以快速、准确地寻找到污染源，如模拟退火算法、粒子群优化算法和蚁群算法等，但存在运行速度慢、容易陷入局部最优等问题，需要进一步进行改进。
快速扩展随机树(Rapidly-Exploring Random Tree，RRT)算法在路径规划中已被成功应用，具有建模时间短、搜索能力强和参数少等优点，但具有搜索效率受步长初始值限制的缺点。
发明内容
针对上述问题，本发明基于RRT算法，结合了大气监测等具体问题，在易陷入局部最优、不能改变步长等方面进行了改进。提供了如下技术方案：一种基于改进RRT的多无人机协同气体泄漏源定位方法，包括如下步骤：
步骤1：设置初始参数，包括初始步长step、步长最小阈值Thr、变步长记数参数p和无人机数量num。
步骤2：设置num台无人机初始坐标及初始父节点，初始父节点无意义。
步骤3：读取num台无人机初始浓度，进行比较。
步骤4：经比较得到最高点序号，依据最高点序号判断最高浓度点是否是当前父节点。为防止陷入局部最优或因步长过大导致搜索效率降低，加入改变步长λ的过程。
步骤4.1：所述步骤4中，若最高浓度点是当前父节点，变步长记数参数p加1。为防止陷入局部最优，先扩大步长，再逐渐缩小步长。
步骤4.1.1：前s次，扩大步长，扩大公式为：
λ＝step*log2(p+2)
其中p是变步长记数参数，step是初始步长，λ是改变后的步长。
步骤4.1.2：在s次步长扩大的基础上，λ根据初始步长改变，逐渐缩小，其计算公式为：
其中p是变步长记数参数，s是扩大步长的次数，step是初始步长，λ是改变后的步长。
步骤4.2：所述步骤4中，若最高浓度点不是当前父节点，λ等于初始步长step，且变步长记数参数p清零。
步骤5：判断λ是否小于阈值Thr：若λ小于阈值Thr，跳出循环；若λ大于阈值Thr，继续循环。
步骤6：将最高浓度点记为本次父节点。
步骤7：num台无人机扩散取得新位置，其中扩散公式为：
其中，(x1,y1)为地图中随机采样的点，(x2,y2)为原本的无人机坐标，λ为经步骤4判断后的值，(x3,y3)为无人机的新坐标点。
步骤8：读取num台无人机的新浓度，与父节点浓度进行比较，返回步骤4。
附图说明
图1为本发明算法流程图。
图2为本实施例中，随着变步长记数参数的变化，步长的变化示意图。
图3为本实施例在高斯浓度场中的仿真路径图。
图4为算法原固定步长与改进后可变步长的比较。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体的实例，并参照附图，对本发明进一步详细说明。
一种基于RRT的多无人机协同溯源算法，其流程图如图一所示，具体步骤如下：；
步骤1：设置初始参数，包括初始步长step、步长最小阈值Thr、变步长记数参数p和无人机数量num。
本实施例中，设置扩散初始半径5、步长最小阈值0.01、变步长记数参数初始值为0和无人机数量4。
步骤2：设置num台无人机初始坐标及初始父节点，初始父节点无意义。
本实施例中，设置4台无人机初始坐标为U1＝(30,30),U2＝(10,20),U3＝(90,30),U4＝(49,-40)，初始父节点(150,50)。
步骤3：读取num台无人机初始浓度，进行比较。
本实施例中，读取4台无人机初始浓度进行比较。
步骤4：经比较得到最高点序号，依据最高点序号判断最高浓度点是否是当前父节点。为防止陷入局部最优或因步长过大导致搜索效率降低，加入改变步长λ的过程。
步骤4.1：所述步骤4中，若最高浓度点是当前父节点，变步长记数参数p加1，为防止陷入局部最优，先扩大步长，再逐渐缩小步长。
步骤4.1.1：前s次，扩大步长，扩大公式为：
λ＝step*log2(p+2)
其中p是变步长记数参数，step是初始步长，λ是改变后的步长。
步骤4.1.2：在s次步长扩大的基础上，λ根据初始步长进行变步长，逐渐缩小，其计算公式为：
其中p为变步长记数参数，s为扩大步长的次数，step为初始步长，λ是改变后的步长。
本实施例中，初始步长为5，扩大步长的次数设置为3。
λ＝5*log2(p+2)
其中p是变步长记数参数，λ是改变后的步长。
缩小步长的计算公式为：
其中p是变步长记数参数，λ是改变后的步长。
步骤4.2：所述步骤4中，若最高浓度点不是当前父节点，λ等于初始步长step，且变步长记数参数p清零。
本实施例中，扩大步长次数设置为3，浓度最高点为U3，不是父节点，故λ＝step＝5，p＝0。
步骤5：判断λ是否小于阈值Thr：若λ小于阈值Thr，跳出循环；若λ大于阈值Thr，继续循环。
本实施例中，λ大于阈值0.01，继续循环。
步骤6：将最高浓度点记为本次父节点。
本实施例中，新父节点坐标为(90,30)。
步骤7：num台无人机扩散取得新位置，其中扩散公式为：
其中，(x1,y1)为地图中随机采样的点，(x2,y2)为原本的无人机坐标，λ为经步骤4判断后的值，(x3,y3)为无人机的新坐标点。
本实施例中，经过扩散的无人机新坐标为U1＝(86.4459,26.4831),
U2＝(88.7537,25.1578),U3＝(26.9795,26.9795),U4＝(85.9045,27.1318)。
步骤8：读取num台无人机的新浓度，与父节点浓度进行比较，返回步骤4。
本实施例中，读取4台无人机的新浓度，与父节点浓度进行比较，返回步骤4。
Claims (2)
1.一种基于改进RRT的多无人机协同气体泄漏源定位方法，其特征是，包括以下步骤：
步骤1：设置初始参数，包括初始步长step、步长最小阈值Thr、变步长记数参数p，无人机数量num；
步骤2：设置num台无人机初始坐标及初始父节点，初始父节点无意义；
步骤3：读取num台无人机初始浓度，进行比较；
步骤4：经比较得到最高点序号，依据最高点序号判断最高浓度点是否是当前父节点，并根据当前最高浓度点改变步长λ：若最高浓度点是当前父节点，变步长记数参数p加1，先扩大步长，再逐渐缩小步长；若最高浓度点不是当前父节点，λ等于初始步长step，且变步长记数参数p清零；其中，变步长公式为：
(1)前s次，扩大步长，扩大公式为：
λ＝step*log2(p+2)
其中p为变步长记数参数，step为初始步长，λ为改变后的步长；
(2)在s次步长扩大的基础上，λ根据初始步长进行变步长，逐渐缩小，其计算公式为：
其中p为变步长记数参数，s为扩大步长的次数，step为初始步长，λ为改变后的步长；
步骤5：判断λ是否小于阈值Thr：若λ小于阈值Thr，跳出循环；若λ大于阈值Thr，继续循环；
步骤6：将最高浓度点记为本次父节点；
步骤7：num台无人机扩散取得新位置；
步骤8：读取num台无人机的新浓度，与父节点浓度进行比较，返回步骤4。
2.根据权利要求1所述的一种基于改进RRT的多无人机协同气体泄漏源定位方法，其特征在于所述步骤7，其中扩散公式为：
其中，(x1,y1)为地图中随机采样的点，(x2,y2)为更新前无人机坐标，λ为经步骤4判断后的新步长，(x3,y3)为更新后无人机坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111036179.2A CN113722923B (zh) | 2021-09-06 | 2021-09-06 | 一种基于改进rrt的多无人机协同气体泄漏源定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111036179.2A CN113722923B (zh) | 2021-09-06 | 2021-09-06 | 一种基于改进rrt的多无人机协同气体泄漏源定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113722923A CN113722923A (zh) | 2021-11-30 |
| CN113722923B true CN113722923B (zh) | 2023-12-01 |
Family
ID=78681764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111036179.2A Active CN113722923B (zh) | 2021-09-06 | 2021-09-06 | 一种基于改进rrt的多无人机协同气体泄漏源定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113722923B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017096542A1 (zh) * | 2015-12-08 | 2017-06-15 | 深圳大学 | 基于累加正反馈变步长的最佳中继位置搜寻方法与*** |
| CN107065865A (zh) * | 2017-03-21 | 2017-08-18 | 北京航空航天大学 | 一种基于剪枝快速随机搜索树算法的路径规划方法 |
| KR102049962B1 (ko) * | 2019-04-17 | 2019-11-28 | 주식회사 트위니 | 샘플링기반의 최적 트리를 이용한 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
| CN112446457A (zh) * | 2020-12-02 | 2021-03-05 | 中国计量大学 | 一种基于改进人工鱼群算法的气体泄漏源定位方法 |
-
2021
- 2021-09-06 CN CN202111036179.2A patent/CN113722923B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017096542A1 (zh) * | 2015-12-08 | 2017-06-15 | 深圳大学 | 基于累加正反馈变步长的最佳中继位置搜寻方法与*** |
| CN107065865A (zh) * | 2017-03-21 | 2017-08-18 | 北京航空航天大学 | 一种基于剪枝快速随机搜索树算法的路径规划方法 |
| KR102049962B1 (ko) * | 2019-04-17 | 2019-11-28 | 주식회사 트위니 | 샘플링기반의 최적 트리를 이용한 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
| CN112446457A (zh) * | 2020-12-02 | 2021-03-05 | 中国计量大学 | 一种基于改进人工鱼群算法的气体泄漏源定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于遗传算法的无人机航路规划优化研究;郑锐;冯振明;陆明泉;计算机仿真;第28卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113722923A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Pollution source localization based on multi-UAV cooperative communication | |
| CN111751502A (zh) | 一种基于改进模拟退火的多无人机协同污染物溯源方法 | |
| CN112446457B (zh) | 一种基于改进人工鱼群算法的气体泄漏源定位方法 | |
| CN112488153B (zh) | 基于聚类趋向性原理的气味源自主搜索及定位方法 | |
| CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
| CN105387875A (zh) | 基于蚁群算法的移动机器人路径规划方法的一种改进 | |
| CN109729498B (zh) | 一种基于维诺图的自适应节点选择的目标跟踪方法及*** | |
| CN109922478B (zh) | 一种基于改进布谷鸟算法的水质传感器网络优化部署方法 | |
| CN112528845B (zh) | 一种基于深度学习的物理电路图识别方法及其应用 | |
| CN109325129A (zh) | 一种知识图谱推理方法、电子设备、存储介质及*** | |
| CN113132399A (zh) | 一种基于时间卷积网络和迁移学习的工业控制***入侵检测方法 | |
| CN113722923B (zh) | 一种基于改进rrt的多无人机协同气体泄漏源定位方法 | |
| CN115270954A (zh) | 基于异常节点识别的无监督的apt攻击检测方法和*** | |
| CN104657745B (zh) | 一种已标注样本的维护方法及双向学习交互式分类方法 | |
| CN109976158B (zh) | 基于距离进化n-pso的auv能源优化路径搜寻方法 | |
| CN116916317A (zh) | 一种基于大白鲨和随机森林的入侵检测方法 | |
| CN116994316A (zh) | 一种基于改进YOLOv4的复杂环境下口罩佩戴检测方法 | |
| CN114279636A (zh) | 一种基于改进海鸥算法的多无人机气体泄漏源定位方法 | |
| Li et al. | Improvement of YOLOv3 algorithm in workpiece detection | |
| CN115661123A (zh) | 基于弱监督目标检测的工业品表面缺陷位置检测方法 | |
| CN115879367A (zh) | 一种工业园区内二氧化碳排放源位置和强度的反演方法 | |
| CN114139785A (zh) | 锅炉燃烧热效率预测方法及装置 | |
| CN113190801B (zh) | 一种基于焦虑度-拍卖的多无人机协同污染源定位方法 | |
| Lee et al. | Empirical analysis of tree-based models for PM 2.5 concentration prediction | |
| CN111783931A (zh) | 一种基于混合推理的物联网专家***实现方法及*** |
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 |