三维空间机器人主动嗅觉烟羽源自主定位策略
- 摘要
- 模型构造
- 自主定位策略
摘要
针对三维空间鲜有人研究烟羽源自主定位的问题，引入利用历史数据机制，提出了布谷鸟搜索算法结合改进的模糊 C均值聚类算法的自主定位策略。采用布谷鸟搜索算法产生机器人定位的位置信息，避免了机器人采集烟羽浓度的盲目性，实现了定位的自主性。将产生的位置信息及采集的该位置处烟羽浓度构成特征向量，采用改进的模糊 C均值聚类算法对该组特征向量和历史特征向量构成的一组新的特征向量聚类分析，获取三维空间烟羽浓度分布区域，为布谷鸟搜索算法提供了搜索范围。
模型构造
聚类中心初始值的选取严重影响聚类效果，在本论文中，通过构造密度指标函数对该算法改进。函数公式如下：
自主定位策略
包含以下几个部分：
（1）模拟烟羽发现
（2）采用改进FCM聚类算法对思维特征向量聚类
（3）构造目标函数，采用布谷鸟搜索算法生成三维路径点
（4）计算三维路径点对应的等效浓度
（5）利用历史四维特征向量数据和当前迭代的四维特征向量数据构造新的四维特征向量数据
1、模拟烟羽发现：任取实际采集的由 x 、y 、z 和该位置处的烟羽浓度构成的 380 个四维特征向量中的 50 个作为初始点，这些初始点即作为烟羽发现的数据点。
2、采用改进的FCM聚类算法对四维特征向量聚类：采用改进的FCM聚类算法对四维特征向量数据聚类分析。
3、构造目标函数：根据改进的 FCM 聚类算法的聚类结果，获取浓度最大类对应的三维坐标及其对应的浓度，分别求取浓度最大类中所有四维特征向量的三维坐标 x 、y 、z 的平均值，作为布谷鸟搜索算法的初始值，以最大浓度点作为参照点，计算布谷鸟搜索算法生成的三维路径点和该参照点的距离平方和，作为目标函数。根据目标函数，以最大浓度点作为参照点，采用布谷鸟搜索算法迭代生成四轴飞行器下一步要搜索的空间区域。
4、采用布谷鸟搜索算法迭代生成三维路径点：根据构造的目标函数，采用布谷鸟搜索算法迭代生成三维路径点。
5、计算三维路径点对应的等效浓度：计算布谷鸟搜索算法迭代生成的每个路径点与实际采集的 380个三维坐标数据点的距离，以最近的距离对应的实际采集的浓度作为布谷鸟搜索算法迭代生成的三维路径点的等效浓度。
6、利用历史四维特征向量数据和当前迭代的四维特征向量数据构造新的四维特征向量数据：利用历史数据指的是将前几次迭代和当前布谷鸟搜索算法迭代生成的三维路径点和对应的等效浓度构成一组新的四维特征向量，为改进的FCM聚类算法提供了聚类数据。
结果表明：该方法能够在已知烟羽发现情况下，通过反复交替使用布谷鸟搜索算法及改进的 FCM 聚类算法，在平均运行时间和收敛精度上均优于最近两年的定位算法，且能够以平均0.145m的收敛精度自主定位到烟羽源附近，为烟羽源定位提供了方法支持。
