发明内容

本发明针对现有技术的不足，构建一种多嗅觉机器人协同的气味源定位方法。嗅觉机器人通过螺旋运动快速发现气味源，对BP神经网络的权值调整进行优化提高跟踪运动斜率的准确性，并通过s型分段正弦运动快速跟踪气味源，同时利用RFID定位系统的特性加强了多机器人之间的信息耦合，使得系统的可扩展性和鲁棒性得到了一定程度的改善，在实现气味源快速定位的同时加强了模型的泛化能力。

一种多嗅觉机器人协同的气味源定位方法，该方法为：首先在气味源发现阶段，将多个嗅觉机器人随机分布在二维搜索平面的不同位置，然后所有嗅觉机器人做向外扩张的螺旋运动；一旦任意三个嗅觉机器人测得的气体浓度都大于低阈值，此时上述三个嗅觉机器人进入气味源跟踪阶段，开始朝气味源方向做s型分段正弦运动；以BP神经网络和RFID定位系统为基础，其中BP神经网络利用周期梯度信息动态调节权值，控制嗅觉机器人每个周期的运动斜率；RFID定位系统通过传递多个嗅觉机器人测得的气体浓度，根据气体浓度差异动态修改每个周期正弦运动的振幅和角频率；一旦任意一个嗅觉机器人测得的气体浓度大于高阈值，此时该嗅觉机器人进入气味源确认阶段，使用统计学方法进行气味源定位。

本发明具体包括以下步骤：

步骤1：在气味源发现阶段，将n个嗅觉机器人，分别标识为机器人l，l＝1,2,3...,n，随机分布在二维搜索平面的任意初始位置，机器人l分别以各自的初始位置为原点，开始做半径不断增大的螺旋运动，如式(1)所示；并且每隔时间Δt测量一次所在位置的气体浓度；

式中，t＝b×Δt，b＝1,2,3…，t表示当前的测量时刻；(x_l(t),y_l(t))表示t时刻机器人l所在位置的对应坐标；

步骤2：在气味源发现阶段，一旦任意三个嗅觉机器人在时刻t₁测得的气体浓度都大于低阈值γ，按照满足低阈值条件的先后顺序依次标记为Robot₁、Robot₂、Robot₃，之后这三个嗅觉机器人随即进入气味源跟踪阶段；其余嗅觉机器人则停止运动，退出气味源的定位过程；

步骤3：在气味源跟踪阶段，为快速靠近气味源，嗅觉机器人Robot_β在时刻t₁停止做向外扩张的螺旋运动，β＝1,2,3，开始进行s型分段正弦运动，并将时刻t₁的螺旋运动方向作为正弦运动的初始方向；设定正弦运动的周期为2π，每个周期的固定运动时间为T，第k个周期中嗅觉机器人Robot_β的正弦运动曲线如式(2)所示；

式中，(x_β′,y_β′)表示嗅觉机器人Robot_β相对于每个周期初始时刻的二维坐标；t′表示每个周期内的相对时刻；A_β(k),ω_β(k)分别表示第k个周期嗅觉机器人Robot_β正弦运动的振幅和角频率，其中A_β(k),ω_β(k)在每个周期中保持恒定值不变，同时

ω_β(k)×x_β′∈[2(k-1)π,2kπ)；

考虑到ω_β(k)x_β′＝2kπ-π为第k个周期的对称中心点，对于该周期的平均气体浓度具有一定代表性，假设第k个周期嗅觉机器人Robot_β在ω_β(k)×x_β′＝2kπ-π测得的气体浓度分别为PL_β；根据RFID定位算法，气体浓度随距离增加呈现出对数形式衰减的特征，以嗅觉机器人Robot₃测得的气体浓度为参照，得到第k个周期嗅觉机器人Robot_β和气味源之间距离的相对关系，如式(3)所示；

式中，d₁,d₂,d₃分别表示第k个周期嗅觉机器人Robot_β到气味源的实际距离；ζ表示路径损耗系数，通常设置为2～5；

根据式(3)，不失一般性，以机器人Robot₁和Robot₃之间的距离比计算为例，如式(4)所示；

嗅觉机器人Robot_β到气味源距离的不同，将决定式(2)中振幅A_β(k)和角频率ω_β(k)的差异；由于当嗅觉机器人距离气味源较远时，此时气体浓度较低，应当做振幅较大，角频率较小的正弦运动，快速向气味源靠近并收集较大范围的气体浓度数据；当嗅觉机器人距离气味源位置较近时，此时气体浓度较高，应当做振幅较小，角频率较大的正弦运动，这样可以在气味源附近小范围地收集气体浓度，以便进行接下去的气味源确认；

第k个周期结束时，嗅觉机器人会根据测得的气体浓度，调整第k+1个周期的振幅A_β(k+1)、角频率ω_β(k+1)以及初始运动方向；当k＝1时，嗅觉机器人是根据该周期t′＝0时刻测得的气体浓度进行调整；其中振幅A_β(k+1)、角频率ω_β(k+1)使用sigmoid激活函数实现动态化调整，具体按以下规则进行：将嗅觉机器人Robot₃作为参照物，设定其振幅A₃(k+1)和角频率ω₃(k+1)为固定值ε和ρ，得到第k+1个周期嗅觉机器人Robot₁和Robot₂的振幅和角频率，如式(5)和(6)所示；

步骤4：在气味源跟踪阶段，其中嗅觉机器人运动方向的调整，按以下规则进行：以嗅觉机器人Robot₁为例，该嗅觉机器人在第k个周期中测得气体浓度，同时将这些浓度值作为BP神经网络的输入，因此BP神经网络输入层的节点数目为4，分别以v_p表示，p＝1,2,3,4；输出层为第k个周期ω_β(k)×x_β′＝2kπ的实际气味源预测方向角斜率对应的节点数目为1，隐含层的节点数目设置为其中m表示输入层的节点数目，m′表示输出层的节点数目，a取1～10之间的整数，默认取整数3，因此隐含层的节点数目默认为5；考虑到传统的BP神经网络往往存在收敛速度慢的问题，而权值的优化可以有效提高神经网络的训练速度，因此利用周期梯度信息动态调整权值，实现当权重的变化量较小时仍然能够加快调整速度，而当权重出现较大变化时起到阻尼的作用；

首先考虑到嗅觉机器人在不同周期测得的气体浓度均值差异较大，这会对BP神经网络的训练造成较大影响，因此将第k个周期的输入量v_p(k)归一化得到BP神经网络的输入量V_p(k)，如式(7)所示；

式中，min(v_p(k))表示输入节点v_p的最小值；max(v_p(k))表示输入节点v_p的最大值；

期望的气味源预测方向角斜率为该斜率为第k个周期ω_β(k)×x_β′＝2kπ所在位置和气味源连线的夹角斜率，得到第k个周期的损失函数E(k)，如式(8)所示；

式中，表示实际的气味源预测方向角斜率；

然后将第k-1个周期的权值变化量Δw_i,j(k-1)作用到第k个周期的权值调整中，当k＝1时不作考虑，得到第k个周期的权重调整值Δw_i,j(k)，如式(9)所示；

式中，η表示学习率；分别表示第k个周期的梯度信息，w_i,j ^γ(k)表示第k个周期神经网络中γ层的节点i到下一层节点j的权重值，其中γ＝1表示为输入层，γ＝2表示为隐含层；-0.5＜λ^-＜0＜λ⁺＜0.5表示调整系数；

接着进行权值更新，得到第k+1个周期的权重值w_i,j(k+1)；

w_i,j(k+1)＝w_i,j(k)+Δw_i,j(k) (10)

最后根据第k个周期BP神经网络的实际输出值，利用旋转矩阵修正式(2)中的正弦运动曲线，得到第k个周期实际的正弦运动曲线，如式(11)所示；

式中，X_β,Y_β表示嗅觉机器人Robot_β相对于每个周期初始时刻的实际二维坐标；

步骤5：在气味源跟踪阶段，一旦某个嗅觉机器人测得的气体浓度大于高阈值δ，该嗅觉机器人随即进入气味源确认阶段，并将当前周期重置为0，由于气味源所在位置的气体浓度最高，向四周传递的气体浓度会逐渐递减，所以该嗅觉机器人会在气体浓度较高的点附近做向内收缩的螺旋运动，其余嗅觉机器人则暂时停止运动；在此过程中，判断第r个周期中该嗅觉机器人在测得的气体浓度值v_p(r)是否大于高阈值δ，如式(12)所示；

式中，μ表示第r个周期中测得的气体浓度值v_p(r)的均值，σ表示第r个周期中测得的气体浓度值v_p(r)的方差；

如果该嗅觉机器人连续三个周期满足上述条件即可判定该点为气味源，此时气味源定位结束；而当该嗅觉机器人不能满足上述条件时，此时嗅觉机器人Robot_β将返回执行步骤3，继续做正弦运动。

作为优选，a取取整数3，隐含层的节点数目默认为5。

本发明具有的特点：

1.嗅觉机器人采用s型分段正弦运动，动态调整每个周期正弦运动的振幅、角频率和方向角斜率，实现完整气味源的自主搜索，保证嗅觉机器人系统能量的较小消耗。

2.改进传统BP神经网络的反向传播，将第k-1个周期得到的权重变化作为先验信息，应用到第k个周期的权重调节中，可以大大提高搜索的灵活性和效率。

3.利用RFID定位系统特性实现多嗅觉机器人之间的信息共享，控制嗅觉机器人的运动轨迹，满足实际中要求快速定位的要求。