基于仿生行为的气味源定位方法综述

高春艳， 刘冬乐， 李满宏， 张明路， 陶渊

(河北工业大学机械工程学院， 天津 300401)

石化行业已成为居国民经济三大支柱产业之一，伴随石化行业井喷式发展，石化安全日益成为人们关注的焦点。据统计，在石化行业的安全事故中80%以上均因危化品泄漏所导致[1]。危化气体泄漏引起的爆炸事故频繁发生，严重危害公共安全，如何快速、精准定位气体泄漏源是保障产业装备安全运营的根本前提。目前，石化行业广泛采用定点检测辅以人工巡检的泄漏检测模式，以保障石化装备的安全运营，但现有定点检测模式普遍存在布线复杂、配置不灵活、易出现检测盲区等突出局限，并且传统人工巡检存在难以实现全天候实时检测、不易发现微细泄漏源等显著缺陷，同时人工修补作业现场危化品弥漫，对人员及设备安全构成极大威胁[2]。

移动机器人具有实用性强、应用灵活等特点，能够辅助或者代替人工高效完成高危作业，已广泛应用于消防安保、定位巡检等领域[3]。通过模仿生物嗅觉、视觉、听觉和触觉等感觉器官进行感知外部环境的行为，如蜣螂通过头部两只触角进行环境探索，赋予移动机器人嗅觉、视觉和听觉等“感官”功能可有效提高气味源定位的精度和鲁棒性[4]。因此，将移动机器人应用到气体泄漏源定位领域对石化行业安全高效完成石化泄漏检修作业，具有重大意义。

基于仿生行为的应用，根据生物多感官气味源定位机制，从单一和多源信息两个方面总结基于仿生行为的气味源定位方法与发展方向。首先重点对主动嗅觉方法进行了分析；其次基于多源信息融合技术，对融合嗅-视信息和融合嗅-视-听多感知信息的气味源定位方法进行了探讨；最后预测了未来发展趋势并进行展望。

1 基于嗅觉信息的气味源定位

基于嗅觉信息的气味源定位方法是通过移动机器人嗅觉感官检测和处理泄漏气体浓度信息，“主动”地搜寻、追踪并确认气味源的位置，故该方法又称为主动嗅觉[5]。通常将主动嗅觉过程分为烟羽发现、烟羽跟踪、气味源确认3个阶段[6]。

1.1 烟羽发现

烟羽发现[7]作为主动嗅觉的初始阶段，是一个不断探索寻找泄漏气体的过程，即移动机器人从进入搜索区域开始，在没有任何关于气味烟羽先验信息的前提下探测泄漏烟羽的存在[8-9]。但由于烟羽的随机性和复杂性，简单的顺序搜索一般不能奏效，从而增大了此过程的复杂性。因此，可将发现烟羽的时间长短作为评判方法优劣的标准，用尽可能短的时间来发现烟羽，以提高泄漏源定位的效率。用于烟羽发现的方法包括外螺旋法[10]、沿着垂直于流向的搜索方法[11]和Z字形法[12]。

沿着垂直于流向的搜索方法要求机器人处于气味源的下游方位，这可能与实际情况不符，与其相比外螺旋法和Z字形法搜索范围广，搜索效率高，图1、图2分别为外螺旋法和Z字形法的搜索过

图1 外螺旋法Fig.1 External spiral method

Xmin、Xmax、Ymin、Ymax为搜索区域边界极值；(X0,Y0)为搜 索初始位置图2 Z字形法Fig.2 Z-search method

程。文献[13]通过简化外螺旋法逆风行为，调整螺旋间距d，提出一种新的搜索策略，弥补了传统外螺旋法容易陷入局部最优的问题。文献[14]将Z字形搜索与浓度梯度相结合，通过判定浓度大小的变化来该方法搜索效率相比Z字形搜索效率有明显提高。文献[15]针对传统算法均为全局遍历，导致搜索效率低的问题，提出一种基于间接思想的搜索策略，相比传统Z字形算法搜索时间降低了62%。

总的来看，外螺旋法对环境中风速信息的准确度要求较高，适用于风速稳定且搜索范围较小的环境；而Z字形搜索算法，覆盖区域广，不依赖于风速信息，且搜索效率高，是目前公认的烟羽搜寻方法，被研究者们广泛应用。

1.2 烟羽跟踪

烟羽跟踪[16-17]是在烟羽发现的基础上不断趋近泄漏源，是实现气体泄漏源定位的关键。根据移动机器人数量可分为的单机器人跟踪和多机器人跟踪[18]，对应算法可大致分为4类，如表1[19-25]所示。

基于风趋向性和基于化学趋向性的搜索算法都是受生物行为的启发，通过模拟生物在感知气味时逆流而上的过程实现气味源的定位[26]。风趋向性

表1 烟羽跟踪算法分类[19-25]Table 1 Classification of plume tracking algorithm[19-25]

对算法对风速信息的准确度要求较高，在风速变化过快的环境中很难进行，而化学趋向性算法需要稳定的浓度梯度，在无风条件下搜索效果较好。文献[27]将化学趋向性和风趋向性相结合，提出了一种基于进化梯度算法的仿生搜索策略，实现了在动态室内环境中气味源的定位。

信息趋向性由Vergassola等[28]首次提出，该类算法在气味搜寻过程中不断地计算有关气味源信息，通过构建气味源概率地图实现定位。该类方法依赖不停的概率计算，计算量大[29]。孙骏文[30]针对该问题采用变步长策略大幅降低了计算量，并通过仿真验证了该方法的可行性。李吉功等[31]将机器人在每个采样周期中测得的气味浓度和风速/风向信息融合为局部区域内是否存在气味源的证据，该方法在时变环境中具有较好的鲁棒性。宋程等[32]提出了一种基于认知差异的协同信息趋向源搜索方法，解决了多机器人协同搜索过程中,过度追求群体信息一致性而忽视个体独立搜索能力发挥的问题。

群智能算法[33-34]将气味源定位问题转化为最优化问题，通过模仿生物界中群体生物间合作、竞争和觅食等行为，来进行迭代搜索，达到气味源定位的目的，该类方法旨在解决单机器人搜索容易陷入局部最优的问题。蚁群算法是以机器人在路径上释放信息素作为信息，选择信息素浓度最高的路径实现寻优。对于湍流环境，单以浓度信息进行定位鲁棒性差，Che等[35]提出了一种结合迎风搜索策略的改进蚁群算法，当机器人获取气体浓度信息小于当前所有机器人所测得气体浓度的平均值时应用蚁群算法的概率转移方式进行搜索，否则进行逆风搜索，通过引入风速信息提高了算法的鲁棒性。

粒子群优化算法利用权重系数和粒子最大速度阈值随着种群优化进程线性的减小，来实现种群信息更新。文献[36-37]对粒子群优化算法进行了验证，仿真结果表明：该算法可以成功地找到多个气味源。针对标准粒子群算法普遍存在定位精度不高、稳定性差的问题[38]，Feng等[39]提出了一种改进的粒子群算法，通过在标准粒子群算法中增加一个新的逆风项，并将浓度与气流速度相结合，从而提高了机器人的搜索能力并防止它们陷入局部最优状态。对于群智能算法，算法的迭代及收敛速度是衡量算法优劣的重要参考，文献[40]提出了一种改进基于禁忌搜索算法和最小环法的粒子群算法的策略，通过引入禁忌算法以避免重复搜索，并与传统的粒子群算法进行了比较，该算法具有较快的迭代速度。

随着人工智能的发展，近几年衍生了众多群智能算法，如果蝇算法、模拟退火算法、萤火虫算法等。缪燕子等[41]针对传统果蝇算法易陷入饱和收敛的问题，提出一种将仿生果蝇算法和学习策略相融合的气味搜索策略，仿真结果表明：其定位效果更能满足对危险气味源定位的要求。Yang等[42]提出了一种模拟退火算法结合局部极值判断算法，当发现机器人处于局部极值时，采用朝设定方向随机移动3步的方法逃脱局部极值，能够有效解决局部最优问题。申向远等[43]提出了一种基于灰狼优化算法的烟羽跟踪方法，该方法以气体浓度值作为个体适应度,通过模拟灰狼种群的社会机制与狩猎行为进行位置更新实现定位。Gupta等[44]提出了一种改进萤火虫群优化算法，通过在静态函数剖面上使用不同的步长来代替固定的步长，以加快收敛速度。

综合来看，烟羽跟踪研究成果较多，单机器人搜索方法多适用于小范围的搜索；多机器人搜索方法适用于广阔环境下气味源的定位。从研究成果来看，烟羽跟踪方法向着多类或多种算法相结合的趋势发展，以弥补单一方法的局限性。

1.3 气味源确认

气味源确认[45-46]是指在烟羽发现和烟羽跟踪的基础上，通过一定的算法或策略判定气体泄漏的源头。早期气味源确认方法主要有：基于机器学习的方法和质量通量散度方法[47]。Lilienthal 等[48]通过机器人在气味源附近左旋转90°和右旋转180°以获取附近浓度信息，应用人工神经网络和支持向量机方法记录多个测量序列判定气味源，实验表明准确率可达87.5%。佟远[49]提出了一种基于质量通量判据的二分类方法，该方法以流经四面体表面的净质量通量是否大于0作为气味源的判定标准，单面净质量通量的计算公式为

(1)

式(1)中：下标m为四面体三角形表面的编号；n为垂直于平面的法线向量；v为流体速度；c为检测气体浓度；dS为对面积的积分。

也有研究者提出位置序列法[50]和基于气味包路径的气味源确认方法[51]。前者通过在疑似泄漏源周围环绕一周检测浓度信息，应用基于统计的逻辑规则，实现泄漏源确认，该方法识别成功率高，但检测时间较长、效率低。后者针对位置序列法的局限性，根据搜索过程中气味包信息，采用蒙特卡罗方法推测验证泄漏源位置，相比位置序列法大幅提高了检测效率。

总的来看，基于机器学习的方法识别准确度较高，但只适用于微弱气流或稳定气流环境；质量通量散度法从理论上讲是最严谨、最理想的气味源确认方法，然而该方法在实际应用中存在极大的困难。气味源确认阶段作为主动嗅觉的最后一步，多数研究将其嵌入在烟羽跟踪阶段，因此单独对气味源确认阶段的研究成果很少。

2 基于多源信息的气味源定位

2.1 多源信息融合技术

多源信息融合技术[52]主要依靠融合算法将多种/个传感器获得的信息进行综合处理，进而做出精准、高效的控制指令。随着人工智能的发展，该技术已广泛应用于目标识别、图像处理、故障检测等领域。

多传感器信息融合过程如图3所示。信息融合单元根据传感器信息处理的抽象程度不同可分为数据层融合[53]、特征层融合[54]和决策层融合[55]。数据层融合的层次较低，其直接在传感器采集到的原始观测信息层上进行融合，要求数据类别相同，且在处理前要做时空校准，因此只适用于同质信息融合[56]；特征层融合和决策层融合通过对传感器直接获取的信息进行不同程度的处理后进行融合，运算量小、容错性好，广泛应用于异质信息的融合[57]。

由于气体泄漏场所的广域复杂性，且多为微小泄漏，基于对主动嗅觉气味源定位方法的分析，依靠单一嗅觉感官信息进行气味源定位，对环境信息获取还不够全面，已经不能满足石化现场的定位需求。随着多源信息融合技术的发展，将其应用到气味源定位中，通过模仿人类对环境感知的过程，能够全面多方位获取环境信息，大幅提高气味源定位的效率和精度。

图3 多传感器信息融合过程Fig.3 Multisensory information fusion process

2.2 融合嗅-视信息的气味源定位方法

人类通过嗅觉、视觉、听觉等感官获取外界环境信息，其中约80%的信息来自视觉感官[58]，对于气味源的定位，通过模仿人类感知引入视觉功能，融合嗅-视信息进行气味源定位，能够大幅提高搜寻效率。Zhu等[59]将融合嗅-视信息的定位过程分为寻找和定位两个阶段，优化了气味源定位的步骤。

2.2.1 视觉特征

相较于仿生嗅觉，视觉研究起步较早，但在气味源定位领域应用较少，主要受限于一般泄漏为无色无味不规则的烟羽，应用视觉难以捕捉图像特征。因此如何从气味源泄漏本体上提取视觉特征，是实现气味源定位的关键[60]。Martinez等[61]将视觉和嗅觉相结合进行了气味源定位实验，该方法将气味源附近的一本参考书作为视觉识别特征，移动机器人通过视觉找到参考书，其次应用嗅觉传感器进行浓度判定，找到参考书即找到气味源。Kowadlo等[62]将泄漏处的“裂缝”作为视觉识别的特征辅助嗅觉进行搜索定位，很显然，该方法只适用于泄漏裂缝比较大的情况。Ishida等[63]提出了将泄漏物体颜色作为视觉特征，应用带颜色的瓶子进行了实验，通过颜色特征定位瓶子位置，随后驱动机器人进行逐一排查。在视觉信息处理过程中仅用颜色特征识别可疑物体，对于实际环境的识别，误判率较高且搜索效率低。Jiang等[64]通过综合泄漏本体形状、面积和方向等特征，利用支持向量机对视觉候选对象进行图像分割，进而凸显泄漏物体，大幅提高了鲁棒性和识别准确性。表2为对典型气味源视觉识别特征的定位效果的对比结果。可以看出，研究成果通过多维度提取泄漏本体的视觉特征来提高识别鲁棒性和准确性，但在不断增加特征的同时，计算量也增加。

Jiang等[65]提出了一种基于任务驱动的视觉注意机制，减少了不必要的尺度信息，降低了计算量。泄漏气体的物理特性也是视觉特征的一种，王逸君等[66]采用一种新型二氧化碳激光照相机，根据SF6气体会吸收部分入射激光原理，采用红外线照射气体泄漏现场，将不可见的SF6泄漏气体可视化，进而实现气味源定位。

表2 典型气味源视觉识别定位效果对比Table 2 Comparison of visual recognition characteristics of typical odor sources

2.2.2 定位方法

融合嗅视信息的气味源定位方法主要思想是通过模拟人类的视觉功能应用视觉相机来获取气味源本体图像信息进行搜寻，辅以嗅觉浓度信息进行气味源的判定，进而实现气味源的定位。Ojeda等[67]在Unity 3D中进行了泄漏环境仿真，提出了一种模拟气体扩散和视觉传感的框架，验证了嗅觉和视觉进行气味源定位的可行性。Shen等[68]提出一种基于嗅视信息的三维扩散环境气味源定位方法，如图4所示，当视觉检测到可疑气味源时，机器人向可疑气味源移动，否则通过模拟灰狼种群的社会机制和狩猎行为进行烟羽跟踪。

图4 引入视觉信息的气味源定位方法Fig.4 Odor source localization method with visual information

在融合嗅-视信息的气味源定位方法中，对所获取信息的融合过程是一个不确定性推理过程，将这种不确定性以概率表示或者模糊化处理能够提高融合效果[69]。Jiang等[70]设计了基于半张量积的移动机器人气味源定位多变量模糊控制器，根据式(2)将传感器信息模糊化转化为代数形式，实现多种传感器信息的融合，与经典的主动嗅觉方法相比，该方法克服了烟羽发现的盲目性。

AB=(A⊗Is/n)(B⊗Is/p)

(2)

式(2)中：A和B为两种传感器获取的信息；⊗表示张量积，即双线性运算；Is/n和Is/p分别为多传感器第n和p通道的s维信息矩阵。

黑板系统本质上也是一种推理过程，与模糊控制系统相比，能够独立并行处理多知识源问题，实现异构知识源的集成。Zhu等[59]将整个定位过程分成视觉搜寻、浓度梯度、逆风搜索、避障行为若干个子问题，应用多层黑板模型融合视觉和嗅觉决策信息，实现精准定位。

2.3 融合嗅-视-听信息的气味源定位方法

融合嗅-视-听信息的气味源定位方法是在嗅觉和视觉的基础上增加听觉感知，通过多感官模态切换，以提高定位方法的鲁棒性和准确度。显而易见，引入视觉信息的气味源定位方法大幅提高了搜索效率和定位准确性，但同时, 视觉图像一般都是需要由物体对光线进行反射从而被视觉相机采集到，视觉检测的成像质量对泄露环境中障碍物、遮挡以及光照条件等因素非常敏感[71]。然而泄漏声音由于是一种振动波信号，能够提供更多的关于气味源距离与位置信息，并且在传递过程中不受障碍物遮挡的影响，因此有效利用听觉信息进行定位相比视觉图像具有更独特的优势[72]。

听觉定位以移动机器人为载体通过多个麦克风阵列拾取泄漏声音信号并对其进行分析处理，进而实现空间中的声源定位[73]。现有的基于麦克风阵列的声源定位方法包括：基于最大输出功率的可控波束形法[74]、高分辨率谱估计方法[75]、基于声压幅度比法[76]和基于声达时间差法[77]，表3为以上方法的定位效果对比结果。

可控波束方法从本质上是一种最大似然估计，需要声源和噪声的先验信息[78]。高分辨率谱估计方法是通过求解传声器间的相关矩阵来确定方向角，进而确定声源的位置，相比波束形成方法，大幅提高了定位精度，但计算量增加、鲁棒性不强。基于声压幅度法和基于声达时间差法都是根据不同麦克风接收同一声源信号具有差异性来实现声源定位[79]。不同的是，前者对接收声音信号的强度进行处理定位，但该方法实时性较差，易受环境因素影响；后者将声音时差作为处理信息，相比其他方法准确度较高，计算量小，适合单个声源的定位[80]。汪建新等[81]分别应用声达时间差法、高分辨率法和波束形成法进行了气味源定位实验，实验结果表明基于声达时间差法定位效果最好。

少数研究者对嗅视听信息融合进行了探索，为嗅视听在气味源定位中的应用提供了重要思路。柯显信等[82]提出一种权重随环境可变的加权平均融合算法，并设计了一种仿人多感知交互系统，实验表明应用多感知方法有效提高了交互系统的整体定位精度和可靠性，环境适应性更强。姜燕[83]设计了一套具有嗅觉、视觉和听觉功能的模仿人脑的机器人系统，采用多种味源搜索算法并将其应用到泄漏源定位中，得到了很好的效果，但鲁棒性还有待提高。Ma等[84]提出了一种基于人工智能感知的设备用气泄漏监测系统，该系统包括了人工智能嗅觉模块、超声波检测听力模块、红外成像视觉模块、机械振动触觉模块，可以实现气体泄漏状态的定性、定量和定位。

表3 基于麦克风阵列的声音定位方法对比Table 3 Comparison of sound localization methods based on microphone array

目前，将移动机器人嗅觉、视觉和听觉三种信息进行融合应用到气味源定位领域还处于探索阶段，研究成果很少。如图5所示，通过研究人类多感官模态切换机制[85]，在不同环境下对移动机器人的嗅觉、视觉和听觉感官进行合理权重分配，例如，视觉易受光照影响，则根据光照强度动态调整其权重占比，可有效提高信息处理效率。同时，应用多感知信息融合技术综合处理气体传感器、可见光/红外摄像机、麦克风阵列等获取的本征模态信息，可实现复杂环境下气味源的识别定位。

图5 仿人多“感官”信息融合示意图Fig.5 Schematic diagram of humanoid multi-sensory information fusion

3 未来发展趋势

综上所述，气体泄漏源的定位研究取得了重要成果，但目前仍存在定位精度差、不能应用到实际工程中等问题。解决该问题应从多类环境信息的获取、异质信息的融合和定位方法的验证环境等方面进行更深层次的研究，具体如下。

(1)扩展融合多种传感器信息。由于气体泄漏场所空间广阔，且存在多种气体成分干扰，单一传感器信息进行气味源定位已不能满足实际要求，因此，受人类嗅-视-听多感官进行搜寻行为的启发，赋予移动机器人嗅觉、视觉、听觉等功能，融合各“感官”信息，全面多方位感知环境，采用多层次传感器融合的方法，融合各类传感器的特征并决策，能够有效提高定位泄漏源的精度和效率。

(2)提高信息融合实时性和准确性。现有研究方法中，融合策略都是进行简单的模态切换，例如嗅-视融合方法中，视觉只在前期搜寻可疑物体，嗅觉只进行浓度判定，嗅觉和视觉信息并没有实现真正意义的融合，在融合过程中一些虚假的、不完整的、不确定的信息将会严重影响融合结果的准确性，如何提高异质传感器信息的融合准确性与实时性，实现信息归一化，还需深入研究。

(3)完善智能传感器的融合系统。随着新型传感器的不断涌现，建立一个实用的信息融合系统来定位气体泄漏源还需要考虑很多问题。由于当前大量研究成果是在理想的环境下对气味源定位方法进行了验证，并未应用到实际泄漏场所中。如果能将传感器的分布形式、调度方式及融合算法应用到实际泄漏环境中进行验证，将有助于实现工程应用。

4 结论

真实泄漏环境空间广阔，受时变风场、不规则障碍等因素影响介质流场紊流明显，泄漏成分浓度分布与扩散规律极度复杂，同时空间中微量泄漏成分含量极低且存在多种成分耦合干扰，以致微细泄漏源难以精准可靠识别定位。

随着5G技术和多感知信息融合技术的发展，通过揭示并借鉴人类嗅-视-听多感官模态切换与信息融合的泄漏源快速准确识别定位机制，建立机器人嗅视听模态触发与信息利用权重动态分配机制，以发展融合嗅视听的微细泄漏源鲁棒识别与精准定位方法，为研发石化泄漏检修机器人系统，构建全方位全天候智能化机器人泄漏检修体系提供理论支撑。