【技术实现步骤摘要】
本专利技术设计涉及火灾标志物识别，尤其涉及一种基于强化学习的无人机火源点定位路径规划方法。
技术介绍
1、由于火灾通常发生迅速，一旦发生覆盖面积较大，传统火灾检测方法往往是固定火灾探测器的位置，无法实现火灾全覆盖探测，且需要多处布点，成本高昂。
2、无人机的机动性、自主性、安全性、易于部署和低成本使其成为了目前火灾探测和预警的首选方式。由于火灾现场环境信息往往是复杂且难以全面获取的，火源定位时无人机飞行路径也会被火灾环境所干扰，导致无法精确的飞至火源对火源进行定位，所以无人机火源定位的路径规划成为了目前研究中一大难题，因此，克服环境信息带来的无人机飞行路径的困扰是有意义的。
技术实现思路
1、针对现有技术中的不足，本专利技术提供了一种基于强化学习的无人机火源点定位路径规划方法，以解决现有技术中存在的环境信息对无人机飞行路径的困扰的技术问题。
2、本专利技术提供了一种基于强化学习的无人机火源点定位路径规划方法，包括如下步骤：
3、步骤1：通过无人机上搭载的传感器获取当前位置的环境气体参数数据、环境温湿度以及坐标信息；
4、步骤2：根据环境气体参数数据、环境温湿度计算每个采集点的平均火灾参数、火灾状态参数；
5、步骤3：当平均火灾参数、火灾状态参数都判断为燃烧状态时，将平均火灾参数、火灾状态参数作为训练好的基于q-learning强化学习的火源定位算法的输入量，获取预估火源点及无人机趋近预估火源点的飞行路径；
6、
7、进一步地，所述步骤1中，采集的环境气体包括：二氧化碳、一氧化碳、氧气、二氧化硫。
8、进一步地，所述步骤2中，根据采集的环境气体浓度量计算每个采集点的平均火灾参数的具体公式为：
9、mpf＝c1*co2+c2*co+c3*so2+c4*o2+c5*temperature+c6*humidity
10、式中，c1、c2、c3、c4、c5和c6是系数；temperature为环境温度；humidity为环境湿度。
11、进一步地，所述c1的取值范围为0.4～0.5；c2的取值范围为：0.3～0.4；c3的取值范围为0.05～0.1；c4的取值范围为：0.1～0.2；c5的取值范围为：0.1～0.2；c6的取值范围为：0.05～0.1。
12、进一步地，所述步骤2中，根据采集的环境气体浓度量计算每个采集点的火灾状态参数的具体公式为：
13、mces＝a1*mce+a2*(x(o2)/(δx(co2)+δx(co)+δx(so2)+δx(o2)))
14、+b1*temperature+b2*humidity
15、其中，mce＝δx(co2)/(δx(co2)+δx(co))
16、式中，a1、a2、b1和b2是系数；temperature为环境温度；humidity为环境湿度。
17、进一步地，所述a1的取值范围为：0.4～0.5；a2的取值范围为：0.1～0.2；b1的取值范围为：0.1～0.2；b2的取值范围为：0.4～0.5。
18、进一步地，步骤4之后还包括：先将每个采集点的平均火灾参数转化为相应的颜色；
19、再通过采集点对应的颜色、坐标信息以及无人机的飞行路径构建含有无人机飞行路径的三维可视化热力图像。
20、进一步地，所述训练好的基于q-learning强化学习的火源定位算法为优化后的训练好的基于q-learning强化学习的火源定位算法，优化内容具体为：
21、增加了获取浓度趋势表过程，并将浓度趋势表作为位置更新的输入量；
22、修改q表为qandct表；
23、其中，qandct表为：位置信息、火灾状态参数和平均火灾参数构成的表格。
24、本专利技术的有益效果：
25、本专利技术通过无人机获取环境参数，根据获取的参数计算平均火灾参数、火灾状态参数，并通过这两种参数判断当前位置燃烧状态，再通过火源定位算法确定火源点和提供无人机趋近火源点的飞行路径，提高了火源点的判断精度以及飞行路径规划的精确性。
26、本专利技术提供的平均火灾参数获取方式，可以综合考虑各环境参数的影响，提高了平均火灾参数的获取准确性。本专利技术提供的火灾状态参数获取方法，综合考虑了各环境参数的影响，与原有火灾状态参数获取方法的auc值和ap值(均<0.8)相比，本专利技术火灾状态参数获取方法的auc值和ap值均能达到0.9以上，准确度高。
27、本专利技术提供了优化后的火源定位算法，加入火灾相关参数的变化趋势的火源定位算法结合本专利技术提供的平均火灾参数和火灾状态参数，更加全面的考虑火灾环境因素，增加定位状态判断的依据，提高火源点定位的准确性。
本文档来自技高网...【技术保护点】
1.一种基于强化学习的无人机火源点定位路径规划方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，所述步骤1中，采集的环境气体包括：二氧化碳、一氧化碳、氧气、二氧化硫。
3.如权利要求1所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，所述步骤2中，根据采集的环境气体浓度量计算每个采集点的平均火灾参数的具体公式为：
4.如权利要求3所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，所述C1的取值范围为0.4～0.5；C2的取值范围为：0.3～0.4；C3的取值范围为0.05～0.1；C4的取值范围为：0.1～0.2；C5的取值范围为：0.1～0.2；C6的取值范围为：0.05～0.1。
5.如权利要求1所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，所述步骤2中，根据采集的环境气体浓度量计算每个采集点的火灾状态参数的具体公式为：
6.如权利要求5所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，所述A1的取值范围
7.如权利要求1所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，步骤4之后还包括：先将每个采集点的平均火灾参数转化为相应的颜色；
8.如权利要求1所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，所述训练好的基于Q-learning强化学习的火源定位算法为优化后的训练好的基于Q-learning强化学习的火源定位算法，优化内容具体为：
...【技术特征摘要】
1.一种基于强化学习的无人机火源点定位路径规划方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，所述步骤1中，采集的环境气体包括：二氧化碳、一氧化碳、氧气、二氧化硫。
3.如权利要求1所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，所述步骤2中，根据采集的环境气体浓度量计算每个采集点的平均火灾参数的具体公式为：
4.如权利要求3所述的基于强化学习的无人机火源点定位路径规划方法，其特征在于，所述c1的取值范围为0.4～0.5；c2的取值范围为：0.3～0.4；c3的取值范围为0.05～0.1；c4的取值范围为：0.1～0.2；c5的取值范围为：0.1～0.2；c6的取值范围为：0.05～0.1。
5.如权利要求1所述的基于...
【专利技术属性】
技术研发人员：唐盛，李云心，沈薇，陈吉森，刘志强，张梦雨，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。