[论文解读] A Next-Best-Smell Approach for Remote Gas Detection with a Mobile Robot

Riccardo Polvara, Marco Trabattoni+4 more|arXiv (Cornell University)|Jan 21, 2018

Insect Pheromone Research and Control参考文献 19被引用 4

一句话总结

本文提出 Next-Best-Smell，一种面向配备远程 TDLAS 气体传感器的移动机器人的在线贪心覆盖规划算法，采用多准则决策分析（MCDM）平衡行驶距离、信息增益和感知时间。该方法在计算成本显著更低的情况下，实现了与最先进离线方法相当的性能，从而可在大规模或未知环境中实现可扩展部署。

ABSTRACT

The problem of gas detection is relevant to many real-world applications, such as leak detection in industrial settings and landfill monitoring. Using mobile robots for gas detection has several advantages and can reduce danger for humans. In our work, we address the problem of planning a path for a mobile robotic platform equipped with a remote gas sensor, which minimizes the time to detect all gas sources in a given environment. We cast this problem as a coverage planning problem by defining a basic sensing operation -- a scan with the remote gas sensor -- as the field of "view" of the sensor. Given the computing effort required by previously proposed offline approaches, in this paper we suggest a online coverage algorithm, called Next-Best-Smell, adapted from the Next-Best-View class of exploration algorithms. Our algorithm evaluates candidate locations with a global utility function, which combines utility values for travel distance, information gain, and sensing time, using Multi-Criteria Decision Making. In our experiments, conducted both in simulation and with a real robot, we found the performance of the Next-Best-Smell approach to be comparable with that of the state-of-the-art offline algorithm, at much lower computational cost.

研究动机与目标

• 为解决在危险环境中使用配备远程气体传感器的移动机器人实现高效气体源检测的挑战。
• 开发一种计算高效的在线覆盖规划策略，以最小化在已知环境中所有气体源的检测时间。
• 通过在 MCDM 中引入感知时间作为关键准则，将 Next-Best-View（NBV）范式扩展至气体检测。
• 在仿真和真实世界实验中，将所提方法与最先进离线算法的性能进行评估。
• 通过在线、反应式规划实现可扩展性和对未知环境的适应性。

提出的方法

• 该算法将气体检测建模为覆盖问题，其中每次远程传感扫描定义一个固定范围（最大 30m）的“视场”。
• 候选感知位姿在已扫描区域与未扫描区域之间的边界上选取，以确保逐步覆盖。
• 全局效用函数结合了三个准则：行驶成本（距离）、信息增益（预期新增覆盖范围）和感知时间（每次扫描的持续时间）。
• 采用多准则决策分析（MCDM）将这些准则聚合为每个候选位姿的单一效用得分。
• 机器人选择效用值最高的下一个位姿，实现实时贪心、反应式路径规划。
• 该方法在配备 TDLAS 传感器和云台转向机构的移动机器人平台上实现。

实验结果

研究问题

• RQ1 在线贪心覆盖算法能否在远程气体检测中实现与最优离线解相当的性能？
• RQ2 将感知时间作为准则纳入后，对气体源检测的效率和收敛性有何影响？
• RQ3 基于 MCDM 的方法在计算成本更低的前提下，能在多大程度上扩展至大规模或复杂环境？
• RQ4 当结合实时障碍物地图时，该算法在未知环境中的表现如何？
• RQ5 何种参数调优策略可提升不同环境类型（如走廊与开阔空间）下的收敛速度？

主要发现

• Next-Best-Smell 算法在短时间内迅速实现 80–90% 的环境覆盖，随后缓慢收敛至 100%，表明其在早期检测中表现优异。
• 性能与 Arain 等人提出的最先进离线算法 [5] 相当，但计算成本显著降低。
• 该算法展现出良好的可扩展性和适应性，在未知环境中结合障碍物地图时仍能成功运行，其覆盖时间比在已知环境中仅长约 10%。
• 对 MCDM 效用函数的参数调优可提升在不同环境类型（如狭窄走廊和开阔空间）下的收敛速度。
• 感知时间被识别为关键因素，将其纳入效用函数可显著提升整体检测效率。
• 该方法在真实世界实验中表现出鲁棒性，证实其在工业或环境监测场景中部署的可行性。