[发明专利]一种面向未知环境的多放射源在线探寻方法

权利要求书

1.一种面向未知环境的多放射源在线探寻方法，其特征在于，该方法包括：

步骤一、根据待测未知区域的范围对机器人的位置及转角姿态进行初始设置，根据先验知识对待测未知区域放射源个数进行估计，对多层粒子群的层数进行设定；

步骤二、根据当前机器人的位置，对RRT搜索树进行初始化；

步骤三、在待测未知区域内进行随机采样，通过基于代价地图的障碍检测方法，对初始化后的RRT搜索树在待测未知区域内进行扩展，获得扩展后的RRT搜索树的子节点集合和分支；

步骤四、采用全向辐射传感器对当前机器人位置的辐射强度进行采样，结合自适应差分进化-峰值抑制粒子滤波算法对待测未知区域内的放射源状态进行预测，同时计算所有层粒子群状态对应的最优置信概率；

采用全向辐射传感器对当前机器人位置的辐射强度进行采样，结合自适应差分进化-峰值抑制粒子滤波算法对未知区域的放射源状态进行预测的具体方法为：

利用当前机器人位置的辐射强度，对每层粒子群分别进行粒子更新，并通过均值偏移聚类算法，对每层粒子群分别进行中心聚类，并判断每层粒子群中的聚类中心是否满足中心强度限定条件，将满足中心强度限定条件的聚类中心的状态作为预测的放射源的状态；

其中，获取第k层粒子群的放射源状态预测的具体方法为：

步骤四一、利用当前机器人位置的辐射强度，根据差分进化算法，建立适应度函数，利用适应度函数计算第k层初始粒子群中每个初始粒子的适应度；

步骤四二、通过变异策略，对第k层的粒子群中每个初始粒子作变异处理，获得对应的变异粒子；

步骤四三、对每个变异粒子作交叉操作，获得对应的试验粒子：

步骤四四、计算每个试验粒子的适应度，判断每个试验粒子的适应度是否大于其对应的初始粒子的适应度，若是，则将该层粒子群中的初始粒子更新为对应的试验粒子；完成对该层粒子群状态的一次更新；

步骤四五、判断粒子群状态该次更新的次数是否达到迭代次数阈值，若是，执行步骤四六，否则，将步骤四四更新后的粒子群作为初始粒子群，返回执行步骤四一；

步骤四六、对更新后的粒子群进行均值偏移聚类，判断聚类中心是否满足中心强度限定条件；若是，则将所述聚类中心的位置及该位置的辐射强度作为辐射源状态的预测值；否则，第k层粒子群中无放射源；

步骤四一中，适应度函数为：

w(p_i)＝w_obs(m(S_h),p_i,C_-k)·w_ps(p_i,θ_ps)·w_dist(p_i,C_-k) 公式一

其中，w(p_i)为粒子p_i对应的综合粒子权重，即为初始粒子p_i的适应度，w_obs(m(S_h),p_i,C_-k)为粒子的观测权重项，w_ps(p_i,θ_ps)为粒子的峰值抑制修正项，w_dist(p_i,C_-k)为粒子的群间距离修正项，m(S_h)为第h次采样的辐射强度、p_i为粒子群中的第i个初始粒子、C_-k为不含第k层粒子群的聚类中心，θ_ps为峰值抑制中心；

粒子的观测权重项：

其中，p(·)代表泊松观测模型的概率函数，I′(S_h,p_i,C_-k)为在第h个采样点S_h处叠加的预测辐射强度，为取整运算；

步骤四二中，获得变异粒子通过以下公式计算实现：

其中，为第g+1更新次迭代过程中，当前层粒子群的变异粒子；k为粒子层数，是第g次迭代当前层粒子群中的初始粒子，为第g次迭代当前层粒子群中最大适应度粒子，为当前层粒子群中的随机粒子；F₁和F₂均为自适应变异率，α为精英移动尺度，为对应的粒子权重，β为随机移动尺度，为粒子权重均值；

步骤四三中，对每个变异粒子作交叉操作，获得试验粒子通过以下公式计算实现：

其中，第g+1次迭代过程中第k层粒子群的试验粒子；

其中，CR为基于粒子权重自适应调整的交叉率，σⁱ为均值为0的高斯白噪声，CR_base为交叉率基础值，CR_scale为基于粒子权重的交叉率系数，为粒子权重均值；

步骤五、判断步骤四计算的置信概率是否大于或等于终止置信概率阈值THR_conf，且已探索面积S_exp占待测未知区域面积S_sus的比例S_exp/S_sus是否大于或等于终止探索面积占比THR_exp，若是，则完成未知环境的多放射源的在线探寻，否则，执行步骤六；

步骤六、根据步骤四所述的待测未知区域的放射源状态的预测值，计算步骤三获得的子节点集合中每个子节点的辐射场信息增益Gain_src；

子节点集合中每个子节点的辐射场信息增益Gain_src为：

其中，为子节点对第j个放射源的单点辐射增益函数，N_j为未知区域的放射源状态的预测值中放射源的总数，为子节点对第j个放射源的源间修正因子，用于缓解多源效益叠加造成的影响；

其中，为RRT搜索树中第m个子节点n_m到第j个放射源A_j的归一化距离；

其中，为RRT搜索树中子节点n_m的位置信息，为预测放射源A_j的位置信息；为辐射增益归一化距离尺度因子，H_src为辐射增益归一化距离偏移量，

增益叠加效应修正因子

其中，为第m个子节点到第n个和第j个放射源间最大距离比例，最小值为1；λ²为用于调节多源效益叠加效应的尺度因子；

其中,为RRT搜索树中第m个子节点到第n个放射源的归一化距离；

步骤七、通过辐射增益修正项和重复探索修正项对每个子节点的辐射场信息增益Gain_src进行修正；

通过辐射增益修正项C_rad和重复探索修正项C_odom对每个子节点的辐射场信息增益Gain_src进行修正的方法为：

计算重复探索修正项C_odom:

其中，C_odom(n_m)为节点n_m的重复探索修正项，N_odom为机器人历史采样点总数，n_m为RRT搜索树中第m个子节点，为第m个子节点n_m到第l个采样点的归一化距离；

其中，为第l个采样点的位置，ξ_odom为重复探索修正归一化距离的尺度因子，H_odom为重复探索修正的归一化距离偏移量；

计算辐射增益修正项C_rad；

其中，为与n_m节点最邻近采样点处的辐射采样值，为环境本底辐射，θ_rad为辐射增益修正曲线的水平偏移量，b_rad为辐射增益修正的尺度参数，用于控制修正效果的变化速度，η为辐射增益修正后本底值，控制修正后的下限值；

修正后的辐射信息增益为：

步骤八、根据子节点增益最大化准则，对步骤七修正后的所有子节点的辐射场信息增益进行筛选，获得子节点辐射场信息增益最大的分支，将所述辐射场信息增益最大分支的第一个子节点作为该次探索的目标采样点；

步骤九、利用DWA算法对机器人进行导航，使机器人移动到步骤八所述的探索的目标采样点；返回执行步骤二。