基于仿生行為的氣味源定位方法綜述

高春艷， 劉冬樂， 李滿宏， 張明路， 陶淵

(河北工業大學機械工程學院， 天津 300401)

石化行業已成為居國民經濟三大支柱產業之一，伴隨石化行業井噴式發展，石化安全日益成為人們關注的焦點。據統計，在石化行業的安全事故中80%以上均因危化品泄漏所導致[1]。危化氣體泄漏引起的爆炸事故頻繁發生，嚴重危害公共安全，如何快速、精準定位氣體泄漏源是保障產業裝備安全運營的根本前提。目前，石化行業廣泛采用定點檢測輔以人工巡檢的泄漏檢測模式，以保障石化裝備的安全運營，但現有定點檢測模式普遍存在布線復雜、配置不靈活、易出現檢測盲區等突出局限，并且傳統人工巡檢存在難以實現全天候實時檢測、不易發現微細泄漏源等顯著缺陷，同時人工修補作業現場危化品彌漫，對人員及設備安全構成極大威脅[2]。

移動機器人具有實用性強、應用靈活等特點，能夠輔助或者代替人工高效完成高危作業，已廣泛應用于消防安保、定位巡檢等領域[3]。通過模仿生物嗅覺、視覺、聽覺和觸覺等感覺器官進行感知外部環境的行為，如蜣螂通過頭部兩只觸角進行環境探索，賦予移動機器人嗅覺、視覺和聽覺等“感官”功能可有效提高氣味源定位的精度和魯棒性[4]。因此，將移動機器人應用到氣體泄漏源定位領域對石化行業安全高效完成石化泄漏檢修作業，具有重大意義。

基于仿生行為的應用，根據生物多感官氣味源定位機制，從單一和多源信息兩個方面總結基于仿生行為的氣味源定位方法與發展方向。首先重點對主動嗅覺方法進行了分析；其次基于多源信息融合技術，對融合嗅-視信息和融合嗅-視-聽多感知信息的氣味源定位方法進行了探討；最后預測了未來發展趨勢并進行展望。

1 基于嗅覺信息的氣味源定位

基于嗅覺信息的氣味源定位方法是通過移動機器人嗅覺感官檢測和處理泄漏氣體濃度信息，“主動”地搜尋、追蹤并確認氣味源的位置，故該方法又稱為主動嗅覺[5]。通常將主動嗅覺過程分為煙羽發現、煙羽跟蹤、氣味源確認3個階段[6]。

1.1 煙羽發現

煙羽發現[7]作為主動嗅覺的初始階段，是一個不斷探索尋找泄漏氣體的過程，即移動機器人從進入搜索區域開始，在沒有任何關于氣味煙羽先驗信息的前提下探測泄漏煙羽的存在[8-9]。但由于煙羽的隨機性和復雜性，簡單的順序搜索一般不能奏效，從而增大了此過程的復雜性。因此，可將發現煙羽的時間長短作為評判方法優劣的標準，用盡可能短的時間來發現煙羽，以提高泄漏源定位的效率。用于煙羽發現的方法包括外螺旋法[10]、沿著垂直于流向的搜索方法[11]和Z字形法[12]。

沿著垂直于流向的搜索方法要求機器人處于氣味源的下游方位，這可能與實際情況不符，與其相比外螺旋法和Z字形法搜索范圍廣，搜索效率高，圖1、圖2分別為外螺旋法和Z字形法的搜索過

圖1 外螺旋法Fig.1 External spiral method

Xmin、Xmax、Ymin、Ymax為搜索區域邊界極值；(X0,Y0)為搜 索初始位置圖2 Z字形法Fig.2 Z-search method

程。文獻[13]通過簡化外螺旋法逆風行為，調整螺旋間距d，提出一種新的搜索策略，彌補了傳統外螺旋法容易陷入局部最優的問題。文獻[14]將Z字形搜索與濃度梯度相結合，通過判定濃度大小的變化來該方法搜索效率相比Z字形搜索效率有明顯提高。文獻[15]針對傳統算法均為全局遍歷，導致搜索效率低的問題，提出一種基于間接思想的搜索策略，相比傳統Z字形算法搜索時間降低了62%。

總的來看，外螺旋法對環境中風速信息的準確度要求較高，適用于風速穩定且搜索范圍較小的環境；而Z字形搜索算法，覆蓋區域廣，不依賴于風速信息，且搜索效率高，是目前公認的煙羽搜尋方法，被研究者們廣泛應用。

1.2 煙羽跟蹤

煙羽跟蹤[16-17]是在煙羽發現的基礎上不斷趨近泄漏源，是實現氣體泄漏源定位的關鍵。根據移動機器人數量可分為的單機器人跟蹤和多機器人跟蹤[18]，對應算法可大致分為4類，如表1[19-25]所示。

基于風趨向性和基于化學趨向性的搜索算法都是受生物行為的啟發，通過模擬生物在感知氣味時逆流而上的過程實現氣味源的定位[26]。風趨向性

表1 煙羽跟蹤算法分類[19-25]Table 1 Classification of plume tracking algorithm[19-25]

對算法對風速信息的準確度要求較高，在風速變化過快的環境中很難進行，而化學趨向性算法需要穩定的濃度梯度，在無風條件下搜索效果較好。文獻[27]將化學趨向性和風趨向性相結合，提出了一種基于進化梯度算法的仿生搜索策略，實現了在動態室內環境中氣味源的定位。

信息趨向性由Vergassola等[28]首次提出，該類算法在氣味搜尋過程中不斷地計算有關氣味源信息，通過構建氣味源概率地圖實現定位。該類方法依賴不停的概率計算，計算量大[29]。孫駿文[30]針對該問題采用變步長策略大幅降低了計算量，并通過仿真驗證了該方法的可行性。李吉功等[31]將機器人在每個采樣周期中測得的氣味濃度和風速/風向信息融合為局部區域內是否存在氣味源的證據，該方法在時變環境中具有較好的魯棒性。宋程等[32]提出了一種基于認知差異的協同信息趨向源搜索方法，解決了多機器人協同搜索過程中,過度追求群體信息一致性而忽視個體獨立搜索能力發揮的問題。

群智能算法[33-34]將氣味源定位問題轉化為最優化問題，通過模仿生物界中群體生物間合作、競爭和覓食等行為，來進行迭代搜索，達到氣味源定位的目的，該類方法旨在解決單機器人搜索容易陷入局部最優的問題。蟻群算法是以機器人在路徑上釋放信息素作為信息，選擇信息素濃度最高的路徑實現尋優。對于湍流環境，單以濃度信息進行定位魯棒性差，Che等[35]提出了一種結合迎風搜索策略的改進蟻群算法，當機器人獲取氣體濃度信息小于當前所有機器人所測得氣體濃度的平均值時應用蟻群算法的概率轉移方式進行搜索，否則進行逆風搜索，通過引入風速信息提高了算法的魯棒性。

粒子群優化算法利用權重系數和粒子最大速度閾值隨著種群優化進程線性的減小，來實現種群信息更新。文獻[36-37]對粒子群優化算法進行了驗證，仿真結果表明：該算法可以成功地找到多個氣味源。針對標準粒子群算法普遍存在定位精度不高、穩定性差的問題[38]，Feng等[39]提出了一種改進的粒子群算法，通過在標準粒子群算法中增加一個新的逆風項，并將濃度與氣流速度相結合，從而提高了機器人的搜索能力并防止它們陷入局部最優狀態。對于群智能算法，算法的迭代及收斂速度是衡量算法優劣的重要參考，文獻[40]提出了一種改進基于禁忌搜索算法和最小環法的粒子群算法的策略，通過引入禁忌算法以避免重復搜索，并與傳統的粒子群算法進行了比較，該算法具有較快的迭代速度。

隨著人工智能的發展，近幾年衍生了眾多群智能算法，如果蠅算法、模擬退火算法、螢火蟲算法等。繆燕子等[41]針對傳統果蠅算法易陷入飽和收斂的問題，提出一種將仿生果蠅算法和學習策略相融合的氣味搜索策略，仿真結果表明：其定位效果更能滿足對危險氣味源定位的要求。Yang等[42]提出了一種模擬退火算法結合局部極值判斷算法，當發現機器人處于局部極值時，采用朝設定方向隨機移動3步的方法逃脫局部極值，能夠有效解決局部最優問題。申向遠等[43]提出了一種基于灰狼優化算法的煙羽跟蹤方法，該方法以氣體濃度值作為個體適應度,通過模擬灰狼種群的社會機制與狩獵行為進行位置更新實現定位。Gupta等[44]提出了一種改進螢火蟲群優化算法，通過在靜態函數剖面上使用不同的步長來代替固定的步長，以加快收斂速度。

綜合來看，煙羽跟蹤研究成果較多，單機器人搜索方法多適用于小范圍的搜索；多機器人搜索方法適用于廣闊環境下氣味源的定位。從研究成果來看，煙羽跟蹤方法向著多類或多種算法相結合的趨勢發展，以彌補單一方法的局限性。

1.3 氣味源確認

氣味源確認[45-46]是指在煙羽發現和煙羽跟蹤的基礎上，通過一定的算法或策略判定氣體泄漏的源頭。早期氣味源確認方法主要有：基于機器學習的方法和質量通量散度方法[47]。Lilienthal 等[48]通過機器人在氣味源附近左旋轉90°和右旋轉180°以獲取附近濃度信息，應用人工神經網絡和支持向量機方法記錄多個測量序列判定氣味源，實驗表明準確率可達87.5%。佟遠[49]提出了一種基于質量通量判據的二分類方法，該方法以流經四面體表面的凈質量通量是否大于0作為氣味源的判定標準，單面凈質量通量的計算公式為

(1)

式(1)中：下標m為四面體三角形表面的編號；n為垂直于平面的法線向量；v為流體速度；c為檢測氣體濃度；dS為對面積的積分。

也有研究者提出位置序列法[50]和基于氣味包路徑的氣味源確認方法[51]。前者通過在疑似泄漏源周圍環繞一周檢測濃度信息，應用基于統計的邏輯規則，實現泄漏源確認，該方法識別成功率高，但檢測時間較長、效率低。后者針對位置序列法的局限性，根據搜索過程中氣味包信息，采用蒙特卡羅方法推測驗證泄漏源位置，相比位置序列法大幅提高了檢測效率。

總的來看，基于機器學習的方法識別準確度較高，但只適用于微弱氣流或穩定氣流環境；質量通量散度法從理論上講是最嚴謹、最理想的氣味源確認方法，然而該方法在實際應用中存在極大的困難。氣味源確認階段作為主動嗅覺的最后一步，多數研究將其嵌入在煙羽跟蹤階段，因此單獨對氣味源確認階段的研究成果很少。

2 基于多源信息的氣味源定位

2.1 多源信息融合技術

多源信息融合技術[52]主要依靠融合算法將多種/個傳感器獲得的信息進行綜合處理，進而做出精準、高效的控制指令。隨著人工智能的發展，該技術已廣泛應用于目標識別、圖像處理、故障檢測等領域。

多傳感器信息融合過程如圖3所示。信息融合單元根據傳感器信息處理的抽象程度不同可分為數據層融合[53]、特征層融合[54]和決策層融合[55]。數據層融合的層次較低，其直接在傳感器采集到的原始觀測信息層上進行融合，要求數據類別相同，且在處理前要做時空校準，因此只適用于同質信息融合[56]；特征層融合和決策層融合通過對傳感器直接獲取的信息進行不同程度的處理后進行融合，運算量小、容錯性好，廣泛應用于異質信息的融合[57]。

由于氣體泄漏場所的廣域復雜性，且多為微小泄漏，基于對主動嗅覺氣味源定位方法的分析，依靠單一嗅覺感官信息進行氣味源定位，對環境信息獲取還不夠全面，已經不能滿足石化現場的定位需求。隨著多源信息融合技術的發展，將其應用到氣味源定位中，通過模仿人類對環境感知的過程，能夠全面多方位獲取環境信息，大幅提高氣味源定位的效率和精度。

圖3 多傳感器信息融合過程Fig.3 Multisensory information fusion process

2.2 融合嗅-視信息的氣味源定位方法

人類通過嗅覺、視覺、聽覺等感官獲取外界環境信息，其中約80%的信息來自視覺感官[58]，對于氣味源的定位，通過模仿人類感知引入視覺功能，融合嗅-視信息進行氣味源定位，能夠大幅提高搜尋效率。Zhu等[59]將融合嗅-視信息的定位過程分為尋找和定位兩個階段，優化了氣味源定位的步驟。

2.2.1 視覺特征

相較于仿生嗅覺，視覺研究起步較早，但在氣味源定位領域應用較少，主要受限于一般泄漏為無色無味不規則的煙羽，應用視覺難以捕捉圖像特征。因此如何從氣味源泄漏本體上提取視覺特征，是實現氣味源定位的關鍵[60]。Martinez等[61]將視覺和嗅覺相結合進行了氣味源定位實驗，該方法將氣味源附近的一本參考書作為視覺識別特征，移動機器人通過視覺找到參考書，其次應用嗅覺傳感器進行濃度判定，找到參考書即找到氣味源。Kowadlo等[62]將泄漏處的“裂縫”作為視覺識別的特征輔助嗅覺進行搜索定位，很顯然，該方法只適用于泄漏裂縫比較大的情況。Ishida等[63]提出了將泄漏物體顏色作為視覺特征，應用帶顏色的瓶子進行了實驗，通過顏色特征定位瓶子位置，隨后驅動機器人進行逐一排查。在視覺信息處理過程中僅用顏色特征識別可疑物體，對于實際環境的識別，誤判率較高且搜索效率低。Jiang等[64]通過綜合泄漏本體形狀、面積和方向等特征，利用支持向量機對視覺候選對象進行圖像分割，進而凸顯泄漏物體，大幅提高了魯棒性和識別準確性。表2為對典型氣味源視覺識別特征的定位效果的對比結果。可以看出，研究成果通過多維度提取泄漏本體的視覺特征來提高識別魯棒性和準確性，但在不斷增加特征的同時，計算量也增加。

Jiang等[65]提出了一種基于任務驅動的視覺注意機制，減少了不必要的尺度信息，降低了計算量。泄漏氣體的物理特性也是視覺特征的一種，王逸君等[66]采用一種新型二氧化碳激光照相機，根據SF6氣體會吸收部分入射激光原理，采用紅外線照射氣體泄漏現場，將不可見的SF6泄漏氣體可視化，進而實現氣味源定位。

表2 典型氣味源視覺識別定位效果對比Table 2 Comparison of visual recognition characteristics of typical odor sources

2.2.2 定位方法

融合嗅視信息的氣味源定位方法主要思想是通過模擬人類的視覺功能應用視覺相機來獲取氣味源本體圖像信息進行搜尋，輔以嗅覺濃度信息進行氣味源的判定，進而實現氣味源的定位。Ojeda等[67]在Unity 3D中進行了泄漏環境仿真，提出了一種模擬氣體擴散和視覺傳感的框架，驗證了嗅覺和視覺進行氣味源定位的可行性。Shen等[68]提出一種基于嗅視信息的三維擴散環境氣味源定位方法，如圖4所示，當視覺檢測到可疑氣味源時，機器人向可疑氣味源移動，否則通過模擬灰狼種群的社會機制和狩獵行為進行煙羽跟蹤。

圖4 引入視覺信息的氣味源定位方法Fig.4 Odor source localization method with visual information

在融合嗅-視信息的氣味源定位方法中，對所獲取信息的融合過程是一個不確定性推理過程，將這種不確定性以概率表示或者模糊化處理能夠提高融合效果[69]。Jiang等[70]設計了基于半張量積的移動機器人氣味源定位多變量模糊控制器，根據式(2)將傳感器信息模糊化轉化為代數形式，實現多種傳感器信息的融合，與經典的主動嗅覺方法相比，該方法克服了煙羽發現的盲目性。

AB=(A?Is/n)(B?Is/p)

(2)

式(2)中：A和B為兩種傳感器獲取的信息；?表示張量積，即雙線性運算；Is/n和Is/p分別為多傳感器第n和p通道的s維信息矩陣。

黑板系統本質上也是一種推理過程，與模糊控制系統相比，能夠獨立并行處理多知識源問題，實現異構知識源的集成。Zhu等[59]將整個定位過程分成視覺搜尋、濃度梯度、逆風搜索、避障行為若干個子問題，應用多層黑板模型融合視覺和嗅覺決策信息，實現精準定位。

2.3 融合嗅-視-聽信息的氣味源定位方法

融合嗅-視-聽信息的氣味源定位方法是在嗅覺和視覺的基礎上增加聽覺感知，通過多感官模態切換，以提高定位方法的魯棒性和準確度。顯而易見，引入視覺信息的氣味源定位方法大幅提高了搜索效率和定位準確性，但同時, 視覺圖像一般都是需要由物體對光線進行反射從而被視覺相機采集到，視覺檢測的成像質量對泄露環境中障礙物、遮擋以及光照條件等因素非常敏感[71]。然而泄漏聲音由于是一種振動波信號，能夠提供更多的關于氣味源距離與位置信息，并且在傳遞過程中不受障礙物遮擋的影響，因此有效利用聽覺信息進行定位相比視覺圖像具有更獨特的優勢[72]。

聽覺定位以移動機器人為載體通過多個麥克風陣列拾取泄漏聲音信號并對其進行分析處理，進而實現空間中的聲源定位[73]。現有的基于麥克風陣列的聲源定位方法包括：基于最大輸出功率的可控波束形法[74]、高分辨率譜估計方法[75]、基于聲壓幅度比法[76]和基于聲達時間差法[77]，表3為以上方法的定位效果對比結果。

可控波束方法從本質上是一種最大似然估計，需要聲源和噪聲的先驗信息[78]。高分辨率譜估計方法是通過求解傳聲器間的相關矩陣來確定方向角，進而確定聲源的位置，相比波束形成方法，大幅提高了定位精度，但計算量增加、魯棒性不強。基于聲壓幅度法和基于聲達時間差法都是根據不同麥克風接收同一聲源信號具有差異性來實現聲源定位[79]。不同的是，前者對接收聲音信號的強度進行處理定位，但該方法實時性較差，易受環境因素影響；后者將聲音時差作為處理信息，相比其他方法準確度較高，計算量小，適合單個聲源的定位[80]。汪建新等[81]分別應用聲達時間差法、高分辨率法和波束形成法進行了氣味源定位實驗，實驗結果表明基于聲達時間差法定位效果最好。

少數研究者對嗅視聽信息融合進行了探索，為嗅視聽在氣味源定位中的應用提供了重要思路。柯顯信等[82]提出一種權重隨環境可變的加權平均融合算法，并設計了一種仿人多感知交互系統，實驗表明應用多感知方法有效提高了交互系統的整體定位精度和可靠性，環境適應性更強。姜燕[83]設計了一套具有嗅覺、視覺和聽覺功能的模仿人腦的機器人系統，采用多種味源搜索算法并將其應用到泄漏源定位中，得到了很好的效果，但魯棒性還有待提高。Ma等[84]提出了一種基于人工智能感知的設備用氣泄漏監測系統，該系統包括了人工智能嗅覺模塊、超聲波檢測聽力模塊、紅外成像視覺模塊、機械振動觸覺模塊，可以實現氣體泄漏狀態的定性、定量和定位。

表3 基于麥克風陣列的聲音定位方法對比Table 3 Comparison of sound localization methods based on microphone array

目前，將移動機器人嗅覺、視覺和聽覺三種信息進行融合應用到氣味源定位領域還處于探索階段，研究成果很少。如圖5所示，通過研究人類多感官模態切換機制[85]，在不同環境下對移動機器人的嗅覺、視覺和聽覺感官進行合理權重分配，例如，視覺易受光照影響，則根據光照強度動態調整其權重占比，可有效提高信息處理效率。同時，應用多感知信息融合技術綜合處理氣體傳感器、可見光/紅外攝像機、麥克風陣列等獲取的本征模態信息，可實現復雜環境下氣味源的識別定位。

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

3 未來發展趨勢

綜上所述，氣體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、不能應用到實際工程中等問題。解決該問題應從多類環境信息的獲取、異質信息的融合和定位方法的驗證環境等方面進行更深層次的研究，具體如下。

(1)擴展融合多種傳感器信息。由于氣體泄漏場所空間廣闊，且存在多種氣體成分干擾，單一傳感器信息進行氣味源定位已不能滿足實際要求，因此，受人類嗅-視-聽多感官進行搜尋行為的啟發，賦予移動機器人嗅覺、視覺、聽覺等功能，融合各“感官”信息，全面多方位感知環境，采用多層次傳感器融合的方法，融合各類傳感器的特征并決策，能夠有效提高定位泄漏源的精度和效率。

(2)提高信息融合實時性和準確性。現有研究方法中，融合策略都是進行簡單的模態切換，例如嗅-視融合方法中，視覺只在前期搜尋可疑物體，嗅覺只進行濃度判定，嗅覺和視覺信息并沒有實現真正意義的融合，在融合過程中一些虛假的、不完整的、不確定的信息將會嚴重影響融合結果的準確性，如何提高異質傳感器信息的融合準確性與實時性，實現信息歸一化，還需深入研究。

(3)完善智能傳感器的融合系統。隨著新型傳感器的不斷涌現，建立一個實用的信息融合系統來定位氣體泄漏源還需要考慮很多問題。由于當前大量研究成果是在理想的環境下對氣味源定位方法進行了驗證，并未應用到實際泄漏場所中。如果能將傳感器的分布形式、調度方式及融合算法應用到實際泄漏環境中進行驗證，將有助于實現工程應用。

4 結論

真實泄漏環境空間廣闊，受時變風場、不規則障礙等因素影響介質流場紊流明顯，泄漏成分濃度分布與擴散規律極度復雜，同時空間中微量泄漏成分含量極低且存在多種成分耦合干擾，以致微細泄漏源難以精準可靠識別定位。

隨著5G技術和多感知信息融合技術的發展，通過揭示并借鑒人類嗅-視-聽多感官模態切換與信息融合的泄漏源快速準確識別定位機制，建立機器人嗅視聽模態觸發與信息利用權重動態分配機制，以發展融合嗅視聽的微細泄漏源魯棒識別與精準定位方法，為研發石化泄漏檢修機器人系統，構建全方位全天候智能化機器人泄漏檢修體系提供理論支撐。