[发明专利]一种机器人多模态间歇性羽流寻源自主追踪方法

权利要求书

1.一种机器人多模态间歇性羽流寻源自主追踪方法, 其特征在于，包括以下步骤:

（1）在机器人上搭载感知羽流的传感器，如嗅觉传感器、风速风向传感器以及高光谱成像相机；以及其它机器人所需传感器，如激光雷达、编码器等；

（2）因多层细胞渐进方法利用多层次特征细胞方法（F-DARTS）对不同层次特征的适应能力和网络表达性较强，以及对比强化学习、进化算法贝叶斯的搜索方法在搜索时间和准确率上具有明显的优势; 因此，对于高光谱相机所获取到的光谱羽流信息输入到F-DARTS网络中，提取羽流的物理、化学特征；

（3）对于F-DARTS网络无参数自调整能力，在本发明中引入自主发育网络用于根据获取到的羽流信息以及运动信息的反馈，在线自主调整F-DARTS的参数，使F-DARTS具有自主演进能力；

（4）与此同时，对于嗅觉传感器和风向风速传感器获取到的羽流信息，进行羽流的化学信号和流体信号调理及特征提取；

（5）通过对三种异类传感器获取到的羽流信息提取特征，感知周围的羽流环境，驱使机器人动态自主决策运动方向和速度；

（6）由于在此过程中，利用 F-DARTS 的高效视觉处理能力，在 F-DARTS 基础架构融入自主发育网络参数自主更新机制，并综合多类感知数据，实现感知、信息处理、决策过程的不断反馈、迭代、更新，实现机器人在多模态间歇性羽流寻源中的策略自主追踪过程。

2. 根据权利要求1所述的一种机器人多模态间歇性羽流寻源自主追踪方法, 其特征在于：采用F-DARTS网络对来自高光谱相机获取的光谱羽流信息提取特征，在步骤二中，光谱羽流信息图片需要通过labelme标注工具进行标注。

3. 根据权利要求2所述的采用F-DARTS网络对来自高光谱相机获取的光谱羽流信息提取特征, 其特征在于：采用自主发育网络在线自主调整F-DARTS的参数，自主发育神经网络算法步骤：

（1）在时刻 t = 0，对于网络{X,Y,Z}中任意区A,初始化对应的网络层N = (V ;G) 及响应向量r，其中V是所有的突触权重，G是各神经元年龄；

（2）在时刻 t = 1,2．．．对于网络{X,Y,Z}中任意区域A，依次按如下步骤计算：

（a）对每个区域A使用统一的算法函数:

(1)

其中，b是bottom-up向量，t是 top-down向量;

（b）对于每个区域A中的神经元对应的权重向量可以计算出其响应向量为：

（2）

(c) 采用 top-k 竞争机制，计算优胜神经元j：

（3）

(d) 对优胜神经元j，采用Hebbian Learning 规则对其权重进行调整：

（4）

(e) 采用遗忘平均（Amnesic Mean）更新w₁和w₂的值：

（5）

根据以上步骤更新F-DARTS动态调整内部参数。

4. 根据权利要求1所述的一种机器人多模态间歇性羽流寻源自主追踪方法, 其特征在于：“多模态”是指在典型物理/化学信息类别视角下，不同趋向特性的羽流呈现出的多种性态;间歇性羽流表现出的“忽隐忽现”，对机器人高效、可靠地寻源提出了较大的挑战;本发明通过三种异类传感器获取羽流信息，将羽流信息分别进行调理和特征的提取; 根据不同的感知环境的模态情况，动态自主决策机器人的运动、速度，实现机器人在多模态间歇性羽流寻源中的策略自主追踪过程。