一种基于抗噪稀疏四维烟羽预测模型的仿真方法及装置制造方法及图纸

本说明书公开了一种基于抗噪稀疏四维烟羽预测模型的仿真方法及装置，可以构建无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，四维烟羽模型用于表示空间上气体浓度随时间变化的情况与气体所处环境之间的关系，而后，根据无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，构建各类训练样本，一种类型的训练样本表示一种气体源在一种环境下扩散过程的样本；进而，根据训练样本对预设的烟羽扩散预测模型进行有监督训练，以通过烟羽扩散预测模型对各类气体源在不同环境下的扩散过程进行仿真，本方法可以构建出仿真实际烟羽扩散情况的样本，因此可以便于对嗅觉机器人定位气体源进行验证。人定位气体源进行验证。人定位气体源进行验证。

【技术实现步骤摘要】
一种基于抗噪稀疏四维烟羽预测模型的仿真方法及装置


[0001]本说明书涉及导航、制导控制
，尤其涉及一种基于抗噪稀疏四维烟羽预测模型的仿真方法及装置。

技术介绍

[0002]嗅觉机器人能够利用嗅觉导航感知气味，获取多维环境信息。嗅觉导航难以受到人为因素的干扰，隐蔽性强、鲁棒性好，是现有导航方式的重要补充。随着嗅觉导航和机器人技术的发展，嗅觉机器人有望在未来代替人类在高危封闭环境中协助导航，抢险救灾，执行救援和搜寻任务。
[0003]现实救援环境的不确定性要求嗅觉机器人必须具备适应风速、分辨干扰气体、预测气体扩散走向和寻找气体源三维空间坐标等功能。通过模拟出实际的烟羽模型，即，模拟烟羽的扩散过程，能够建立嗅觉机器人仿真测试的环境。
[0004]但是，在现有技术中，很难模拟出烟羽在真实环境下不同密度气体的泄露情况，真实烟羽扩散过程较为复杂，如图1所示。
[0005]图1为本说明书提供的一种烟羽在真实环境下泄露的示意图。
[0006]所以，如何提高模拟出的烟羽模型的真实性，进而实现对嗅觉机器人的仿真测试，则是一个亟待解决的问题。

技术实现思路

[0007]本说明书提供一种基于抗噪稀疏四维烟羽预测模型的仿真方法及装置，以部分的解决现有技术存在的上述问题。
[0008]本说明书采用下述技术方案：
[0009]本说明书提供了一种基于抗噪稀疏四维烟羽预测模型的仿真信息展示方法，包括：
[0010]构建无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型。四维烟羽模型用于表示空间上气体浓度随时间变化的情况与气体所处环境之间的关系；
[0011]根据所述无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，构建各类训练样本，一种类型的训练样本表示一种气体源在一种环境下扩散过程的样本，不同类型的训练样本之间所对应的气体源或环境不同，所述气体源包括单点气体源和多点气体源；
[0012]根据所述训练样本对预设的烟羽扩散预测模型进行有监督训练，以通过所述烟羽扩散预测模型对各类气体源在不同环境下的扩散过程进行仿真，得到仿真结果，所述仿真结果用于对嗅觉机器人定位气体源进行验证。
[0013]可选地，构建无风环境下的四维烟羽模型，具体包括：
[0014]基于可压缩流体定常运动方程和不可压缩流体定长运动方程中的至少一种，以及气体浓度梯度场和气体密度梯度场所对应的气体连续方程、运动微分方程、能量方程和状态方程，构建无风环境下的四维烟羽模型。
[0015]可选地，构建湍流环境下的四维烟羽模型，具体包括：
[0016]结合浓度密度脉动和雷诺应力分析，构建湍流环境下的雷诺应力模型，作为湍流环境下的四维烟羽模型，所述雷诺应力模型包括：气体连续方程、雷诺平均方程、湍动能方程、湍动能耗散率方程和雷诺应力方程。
[0017]可选地，所述各类训练样本包括：单点气体源或多点气体源在室外无风环境、室外湍流环境、室内无风环境以及不同尺度室内湍流环境下的气体扩散过程的训练样本。
[0018]可选地，烟羽扩散预测模型包括卷积神经网络以及长短期记忆网络；
[0019]根据所述训练样本对预设的烟羽扩散预测模型进行有监督训练，具体包括：
[0020]确定训练样本中一段时间内的气体浓度信息；
[0021]将所述一段时间内的气体浓度信息输入到所述卷积神经网络中，得到所述一段时间内的气体浓度信息对应的特征向量；
[0022]将所述一段时间内的气体浓度信息对应的特征向量输入到所述长短期记忆网络中，预测下一段时间的气体浓度信息；
[0023]以最小化所述预测出的下一段时间的气体浓度信息与训练样本中的标注信息之间的偏差为训练目标，对所述烟羽扩散预测模型进行训练。
[0024]可选地，所述卷积神经网络中包括第一卷积层以及第二卷积层，所述第一卷积层对应有二维的第一卷积核、所述第二卷积层对应有二维的第二卷积核；
[0025]将所述一段时间内的气体浓度信息输入到所述卷积神经网络中，得到所述一段时间内的气体浓度信息对应的特征向量，具体包括：
[0026]将所述一段时间内的气体浓度信息中的平面浓度信息抽取出，将所述平面浓度信息输入到所述第一卷积层中，以通过所述第一卷积核进行卷积，得到所述平面浓度信息对应的卷积特征；
[0027]将所述卷积特征与所述一段时间内的气体浓度信息中的高度信息输入到所述第二卷积层中，以通过所述第二卷积核进行卷积，得到所述一段时间内的气体浓度信息对应的特征向量。
[0028]可选地，根据所述无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，构建各类训练样本之前，所述方法还包括：
[0029]测量气体的实际浓度概率分布和遮挡物反射率，以将无风环境下和湍流环境下的四维烟羽模型中的参数进行修正，得到修正后的无风环境下的四维烟羽模型和修正后的湍流环境下的四维烟羽模型；
[0030]根据所述无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，构建各类训练样本，具体包括：
[0031]根据所述修正后的无风环境下的四维烟羽模型以及所述修正后的湍流环境下的四维烟羽模型，构建各类训练样本。
[0032]可选地，所述预设的烟羽扩散预测模型包含多个烟羽扩散预测模型，每个类型的训练样本对应一个烟羽扩散预测模型；
[0033]根据所述训练样本对预设的烟羽扩散预测模型进行有监督训练，以通过所述烟羽扩散预测模型对各类气体源在不同环境下的扩散过程进行仿真，具体包括：
[0034]针对每个类型的训练样本，根据该类型的训练样本，对该类型的训练样本对应的
烟羽扩散预测模型，进行有监督训练，以通过该类型的训练样本对应的烟羽扩散预测模型，对该类型的训练样本对应的预设气体源在预设环境下的扩散过程进行仿真。
[0035]本说明书提供了一种基于抗噪稀疏四维烟羽预测模型的仿真装置，包括：
[0036]模型构建模块，用于构建无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，四维烟羽模型用于表示空间上气体浓度随时间变化的情况与气体所处环境之间的关系；
[0037]样本构建模块，用于根据所述无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，构建各类训练样本，一种类型的训练样本表示一种气体源在一种环境下扩散过程的样本，不同类型的训练样本之间所对应的气体源或环境不同，所述气体源包括单点气体源和多点气体源；
[0038]训练模块，用于根据所述训练样本对预设的烟羽扩散预测模型进行有监督训练，以通过所述烟羽扩散预测模型对各类气体源在不同环境下的扩散过程进行仿真，得到仿真结果，所述仿真结果用于对嗅觉机器人定位气体源进行验证。
[0039]可选地，所述模型构建模块具体用于，基于可压缩流体定常运动方程和不可压缩流体定常运动方程中的至少一种，以及气体浓度梯度场和气体密度梯度场所对应的气体连续方程、运动微分方程、能量方程和状态方程，构建无风环境下的四维烟羽模型。...

【技术保护点】

【技术特征摘要】
1.一种基于抗噪稀疏四维烟羽预测模型的仿真方法，其特征在于，包括：构建无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，四维烟羽模型用于表示空间上气体浓度随时间变化的情况与气体所处环境之间的关系；根据所述无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，构建各类训练样本，一种类型的训练样本表示一种气体源在一种环境下扩散过程的样本，不同类型的训练样本之间所对应的气体源和/或环境不同，所述气体源包括单点气体源和多点气体源；根据所述训练样本对预设的烟羽扩散预测模型进行有监督训练，以通过所述烟羽扩散预测模型对各类气体源在不同环境下的扩散过程进行仿真，得到仿真结果，所述仿真结果用于对嗅觉机器人定位气体源进行验证。2.如权利要求1所述的方法，其特征在于，构建无风环境下的四维烟羽模型，具体包括：基于可压缩流体定常运动方程和不可压缩流体定常运动方程中的至少一种，以及气体浓度梯度场和气体密度梯度场所对应的气体连续方程、运动微分方程、能量方程和状态方程，构建无风环境下的四维烟羽模型。3.如权利要求1所述的方法，其特征在于，构建湍流环境下的四维烟羽模型，具体包括：结合浓度梯度脉动和雷诺应力分析，构建不同尺度湍流环境下的雷诺应力模型，作为湍流环境下的四维烟羽模型，所述雷诺应力模型包括：气体连续方程、雷诺平均方程、湍动能方程、湍动能耗散率方程和雷诺应力方程。4.如权利要求1所述的方法，其特征在于，所述各类训练样本包括：单点气体源或多点气体源在室外无风环境、室外湍流环境、室内无风环境以及不同尺度室内湍流环境下的气体扩散过程的训练样本。5.如权利要求1所述的方法，其特征在于，烟羽扩散预测模型包括卷积神经网络以及长短期记忆网络；根据所述训练样本对预设的烟羽扩散预测模型进行有监督训练，具体包括：确定训练样本中一段时间内的气体浓度信息；将所述一段时间内的气体浓度信息输入到所述卷积神经网络中，得到所述一段时间内的气体浓度信息对应的特征向量；将所述一段时间内的气体浓度信息对应的特征向量输入到所述长短期记忆网络中，预测下一段时间的气体浓度信息；以最小化所述预测出的下一段时间的气体浓度信息与训练样本中的标注信息之间的偏差为训练目标，对所述烟羽扩散预测模型进行训练。6.如权利要求5所述的方法，其特征在于，所述卷积神经网络中包括第一卷积层以及第二卷积层，所述第一卷积层对应有二维的第一卷积核、所述第二卷积层对应有二维的第二卷积核；将所述一段时间内的气体浓度信息输入到所述卷积神经网络中，得到所述一段时间内的气体浓度信息对应的特征向量，具体包括：将所述一段时间内的气体浓度信息中的平面浓度信息抽取出，将所述平面浓度信息输入到所述第一卷积层中，以通过所述第一卷积核进行卷积，得到所述平面浓度信息对应的卷积特征；将所述卷积特征与所述一段时间内的气体浓度信息中的高度信息输入到所述第二卷
积层中，以通过所述第二卷积核进行卷积，得到所述一段时间内的气体浓度信息对应的特征向量。7.如权利要求1所述的方法，其特征在于，根据所述无风环境下的四维烟羽模型以及湍流环境下的四维烟羽模型，构建各类训练样本之前，所述方法还包括：测量气体的实际浓度概率分布和遮挡物反射率，以将无风环境下和湍流环境下的四维烟羽模型中的参数进行修正，得到修正后的无风环境下的四维烟羽模型和修正后的湍流环境下的四维烟羽模型；根据所述无风环境下的四维烟羽模型以...

【专利技术属性】
技术研发人员：朱琦，施航，王镝，任祖杰，李冠男，缪锐，孙沁璇，刘洋，彭风光，
申请(专利权)人：之江实验室，
类型：发明
国别省市：