基于神经网络的移动机器人主动嗅觉定位研究

任坤 刘鹏

[摘要]本文提出了一种新的移动机器人主动嗅觉定位方法。通过风速和浓度梯度，黄蜂能够在较短的时间内找到气源。但是，移动机器人很难精确地模仿黄蜂的行为。因此，除了仿生学之外，我们引入BP神经网络来帮助移动机器人寻找气源。在这个模拟的环境中，测试移动机器人跟踪气体烟羽并找到气源。

[关键词]神经网络；移动机器人；气源定位；浓度梯度

一、引言

近年来，气源定位研究吸引了众多的研究人员的注意。利用一个具有主动嗅觉定位功能的移动机器人可以探测危险气体的泄露。由于采用模拟的方式效率高而且费用低，因此我们采用模拟的方式研究移动机器人的主动嗅觉定位问题。

到目前为止，很多研究人员在该领域取得了一些成就。但是他们的机器人机构复杂，而且不能够用最优的路径找到气源[1、2、3]。在本文中，我们基于高斯烟羽模型建立了一个气体烟羽扩散模型。然后将训练好的BP神经网络引入到移动机器人中。通过使用这个智能的算法，移动机器人能够在较短的时间内找到气源。

二、在MATLAB中模拟烟羽

在本文中，我们采用数值接近的方法来生成烟羽，使用MATLAB生成烟羽扩散模型。高斯模型非常适合模拟从一个点气源扩散开来的烟羽模型。因此，本文采用高斯模型建模。由于没有考虑重力的影响，高斯烟羽模型只适用于气体密度小于空气密度的扩散模型。

三、BP神经网络

拥有高度并行结构和处理能力的人工神经网络是智能识别方法的一种。由于固有的非线性特征，人工神经网络具有逼近任何非线性映射的能力。一个经过适当训练的神经网络能够解决数学模型或描述性规则不能解决的问题。移动机器人的主动嗅觉定位即属于该类问题。

BP神经网络是一种多层正反馈神经网络，通过学习已知的样本，它能够识别未知的样本。只有一个隐含层的BP神经网络可以任意地接近任何一个在闭区间内连续的函数[4]。因此，在本文中我们采用含有一个隐含层的BP神经网络。

根据本研究，这里有五个输入节点和两个输出节点。

在BP神经网络中，隐含层节点的数量对精度的影响很大。经过多次测试，可以得到不同节点的隐含层的效果。随着隐含层节点数量的增多，BP神经网络的效果先增大然后减小。根据需要，我们选取隐含层节点的数量为4，这样就得到了结构确定的PB神经网络。

四、初步模拟和讨论

移动机器人由一种基于仿生学的BP神经网络智能烟羽跟踪算法来控制，以此跟踪模拟的气体烟羽。在模拟中，我们没有考虑机器人本身的尺寸及障碍物对烟羽扩散的影响。根据机器人的传感系统，从传感器到控制器有五个输入。其中三个来自红外传感器，另外两个分别来自离子传感器和风向传感器。a1、a2和a3分别表示机器人前方左侧、中间和右侧三个红外传感器的输出信号，b1表示离子传感器的输出信号，c1表示风向传感器的输出信号。利用采集的样本训练神经网络后，神经网络便能对未知样本作出相应的判别。下面以单障碍物环境下移动机器人跟踪气体烟羽并确定气源的模拟过程进行说明：

1、当a1=1，a2=1，a3=1，b1≤0.0972，c1=180°时，机器人前方没有障碍物，运动方向正好迎着风向并且沿着气体浓度增大的方向。此时，机器人直行。

2、当a1=1，a2=0，a3=1时，不管b1和c1为何值，机器人必须拐弯。因为此时机器人前方有障碍物，必须要避开障碍物后再继续跟踪气体烟羽。

3、当a1=1，a2=1，a3=1，b1=0.0953，c1=270°时，机器人前方没有障碍物，其所处位置的气体浓度超过设定的阀值。因此机器人转弯，继续沿着气体浓度增大的方向运动。

4、当a1=1，a2=1，a3=1，b1=0.1031，c1=225°时，机器人前方没有障碍物，但是机器人转弯，原因与3中的相同。

5、当a1=1，a2=1，a3=1，b1=0.1656，c1=135°时，机器人前方没有障碍物，但是机器人转弯，原因与3中的相同。

6、当a1=1，a2=0，a3=1，b1=1.9331，c1=180°时，机器人前方遇到障碍物，此时探测到的气体的浓度与平均浓度之比高于设定的阀值，达到气味源确认的条件，机器人找到气源，停止运动。

在模拟的环境中，机器人能够感知气体烟羽并跟踪烟羽不断地趋近气源所在的位置。机器人在寻找气源的过程中其运动轨迹并不是一条直线，这是因为在跟踪气体烟羽时机器人需要调整其朝向以保证面向气流的方向和气体浓度增大的方向。

五、结论和进一步的工作

在本文中，我们采用了数值方法来生成气体烟羽模型，在移动机器人模仿黄蜂行为的基础上利用BP神经网络提供更高效的智能算法。在该算法中，机器人在模拟的环境中感知并追踪气体烟羽，直至找到气源。但是这个模型并不完美。首先，研究人员必须熟悉MATLAB并且具有编程能力；其次，我们假设机器人和障碍物不影响烟羽的扩散。但是当机器人和障碍物较大时，这个假设并不成立。

将来，可以采用考虑了机器人和障碍物尺寸的更为真实的模拟环境及开发更为智能的算法来研究移动机器人气源定位问题。

参考文献

[1]H.Ishida， G，Hakayama， T.Nakamoto and T.Moriizumi， Controlling a gas plume-tracing robot based on transient responses of gas sensors. IEEE， 2002： 1665～1760.

[2]R.Russell， D.Thiel and A.Mackay-Sim， Sensing odor trails for mobile robot navigation. IEEE International Conference on Robotics and Automation， 1994： 2672～2677.

[3]Zhenzhang Liu， A simulation framework for plume-tracing research.

[4]Rober Hechi-Nielson， Theory of the back porpagation neural network. Proc. of IJCNN. 1989： 593～603.