[发明专利]基于高斯过程模型的建筑物环境传感器测点优化方法

说明书

技术领域

本发明涉及建筑物的分布式环境监测领域，特别是涉及一种基于高斯过程模型的建筑物环境传感器测点优化方法。部署在建筑物内的分布式传感器测点位置选取，长期以来多利用经验选取，却缺乏有效的理论依据与指导。本发明采用移动机器人测量平台解决未知建筑物室内环境下的样本数据采集这一技术问题，通过引入机器学习和优化求解等方法，对环境参数(场)的连续概率分布进行拟合、预测，并结合环境地图几何特征分析，通过求解给出测点优化选取结果，从而能够为建筑物内环境(例如温湿度等)测点的部署提供理论方法依据，有助于给出最优、最经济的测点布设方案。

背景技术

由于建筑物内传感器测点安装固定好后，不便于再次改动测点位置，因此需要一种方法能在实际部署前指导传感器测点位置的选取。针对建筑物内环境测点未知选取问题，以往一般采用工程经验方法，按照某些特定的、组合的规则来选取适当的测点位置，缺乏理论指导，也难以处理测点数目、位置分布与实际测量效果之间的矛盾。例如环境变量的空间场分布，在某些远离布设测点的位置上的数据存在较大不确定性。

基于模型的优化计算方法给测点选取提供了可借鉴思路。对于基于传感器网络的环境场参数场(例如温度场、气体浓度场等)测量问题，不仅关心测点处的测量值，更关心无测点处的测量值。在机器学习方法中，高斯过程模型，是拟合、预测随机变量概率分布的有力数学工具，其特点在于能够获知预测分布的不确定性，(参见“C.Guestrin,A.Krause,andA.Singh.Near-optimal sensor placements in gaussian processes.InICML,2005.”)。通常可利用的数据样本仅仅是少量离散点处的实测值，因此存在典型的数据回归问题。

将高斯过程等数据方法用于传感器测点优化选取，需要明确优化目标，并考虑多种约束关系(参见“S.Funke,A.Kesselman,F.Kuhn,Z.Lotker,andM.Segal,Improved approximation algorithms for connected sensor cover.In ADHOC,2004.”)。例如环境的几何特点，是最直观的约束条件。“沿着墙壁四周”就是从环境几何特点中得出的经验规则。又如传感器自身的限制约束，例如无线通信距离、测量有效范围等。再如传感器数量的限制约束，即从经济性角度出发，总是希望实际布设测点数量尽可能少。而优化目标，则一般是获得环境参数(场)分布的最佳测量效果，可以用不确定性最低来衡量，而不确定性则可以借助条件熵等来加以量化分析。

而对于建筑物环境的未知性特点，利用移动机器人作为未知环境探索的工具，在机器人控制领域是一种常用方法。即移动机器人在环境中，通过遥控或自主探索导航，采用激光传感器、声纳传感器等扫描环境信息，结合里程计等传感器创建栅格地图(参见“GrisettiG.Improved Techniques for Grid Mapping with Rao-Blackwellized Particle Filters.IEEE Transaction on Robotics,2007,23(1):34-46”)。采用这种方法，可以仅通过机器人一次探索环境，创建完整的环境地图。若机器人搭载了环境测量传感器，即可同时采集环境参数与所测量的位置信息，能为测点位置的优化计算提供充分的样本和依据。

经专利检索查新，李郝林等人申请了中国发明专利，申请号为200810039013.4，名称为“数控机床热误差补偿温度测点位置的确定方法”。该发明公开了一种数据机床热误差补偿温度传感器测点位置的确定方法。该方法通过计算测点值所提供的机床变形量互信息，结合优化计算方法，求解最佳的机床温度测点位置。该方法在优化计算过程中没有考虑测量信息的不确定性，而大面积建筑物环境、少量传感器布设的情况下，存在较大不确定性问题，因此该方法不适用于本发明讨论的情况。

温丰等人申请了中国发明专利，申请号为201110376468.7，名称为“一种实现移动机器人同时定位与地图构建的方法”。该方法根据航位推测里程计及路标观测数据，采用强跟踪滤波器来提高机器人定位与地图创建的精度。但是该发明方法所创建的地图属于特征地图，而非栅格或拓扑地图，并不能直接用于机器人路径规划和导航，更不适用于本发明考虑的位置数据采集任务。另外，该方法也仅用于室内较小规模环境和人工设置的路标物体，而本发明考虑的未知建筑物，一般是办公楼等实际公共建筑，面积较大，也不可能为机器人安装人工路标。