[论文解读] Robotic Gas Source Localization with Probabilistic Mapping and Online Dispersion Simulation

Pepe Ojeda, Javier Monroy+1 more|arXiv (Cornell University)|Apr 18, 2023

Insect Pheromone Research and ControlAgricultural and Biological Sciences被引用 3

一句话总结

本文提出了一种基于概率的机器人气体源定位方法，结合实时扩散模拟与概率命中图抽象，以提升复杂室内环境中源定位的准确性。通过将基于纤维的扩散模型预测的气体羽流与传感器获取的命中图进行对比，该方法在湍流、障碍物密集的环境中相比以往的反应式方法实现了更精确的定位。

ABSTRACT

Gas source localization (GSL) with an autonomous robot is a problem with many prospective applications, from finding pipe leaks to emergency-response scenarios. In this work, we present a new method to perform GSL in realistic indoor environments, featuring obstacles and turbulent flow. Given the highly complex relationship between the source position and the measurements available to the robot (the single-point gas concentration, and the wind vector) we propose an observation model that derives from contrasting the online, real-time simulation of the gas dispersion from any candidate source localization against a gas concentration map built from sensor readings. To account for a convenient and grounded integration of both into a probabilistic estimation framework, we introduce the concept of probabilistic gas-hit maps, which provide a higher level of abstraction to model the time-dependent nature of gas dispersion. Results from both simulated and real experiments show the capabilities of our current proposal to deal with source localization in complex indoor environments.

研究动机与目标

• 解决在存在障碍物和湍流气流的现实室内环境中气体源定位的挑战，传统方法因传感器数据与源位置之间存在不可观测性和非唯一性关系而失效。
• 通过引入更高阶的抽象——概率气体命中图，克服单点浓度测量的局限性，提升估计的鲁棒性与稳定性。
• 开发一种计算高效的粗到精推理策略，动态分配模拟资源至可能的源位置，降低计算负载的同时保持精度。
• 将实时扩散建模与概率估计相结合，实现实时、自适应的源定位，以应对环境条件的变化。
• 通过利用预测建模与地图级观测，超越反应式化学趋化与风向趋化策略，实现更智能的导航与更精确的估计。

提出的方法

• 从传感器读数构建概率气体命中图，其中每个网格单元存储气体检测的概率（存在/不存在），通过抽象化噪声较大的浓度值以提升稳定性。
• 使用实时、计算高效的基于纤维的扩散模型，模拟候选源位置的气体羽流，并动态适应测得的风向矢量。
• 应用粗到精的迭代优化过程，优先对高概率源位置进行详细模拟，早期剔除低概率候选者，以降低计算成本。
• 构建似然函数，将扩散模型预测的命中图与观测到的命中图进行比较，通过贝叶斯更新实现对源位置的概率推理。
• 将观测模型集成到粒子滤波器或类似概率框架中，随时间推移估计源位置的后验分布。
• 将传感器数据估计的风向作为扩散模型的输入，敏感性分析表明，准确的风向估计对性能至关重要。

实验结果

研究问题

• RQ1 如何构建概率观测模型，以在依赖单点浓度与风向矢量测量时提升气体源定位的性能？
• RQ2 与基于直接浓度的模型相比，使用概率命中图抽象在多大程度上提升了源定位的鲁棒性与准确性？
• RQ3 在存在障碍物的复杂湍流室内环境中，是否可通过基于纤维模型的实时在线扩散模拟实现准确的源定位？
• RQ4 所提出的粗到精模拟策略在多大程度上提升了计算效率，同时不牺牲定位精度？
• RQ5 该方法在三维环境中的关键局限性是什么，特别是在风流具有显著垂直分量时？

主要发现

• 在复杂模拟环境（如B1和C场景）中，所提方法显著优于GrGSL基线方法，平均定位误差更低，尤其在非层流、障碍物密集的环境中表现更优。
• 在B2场景中，该场景具有强烈的三维气流效应，所提方法与GrGSL的误差均较高（平均超过2米），凸显了方法对风向估计不准确的敏感性，尤其是在主导三维流场中。
• 该方法降低了对风向对齐的依赖，当羽流并非简单位于机器人上风向时，其基于羽流匹配的方法可实现优于GrGSL的源估计。
• 真实世界实验表明，最终误差与收敛迭代次数与GrGSL相当，所提方法实现了略低的平均误差，但由于重复次数较少，差异在统计上不显著。
• 概率命中图抽象带来了更稳定可靠的估计，真实世界试验中概率图的不确定性传播保持一致，体现了其优势。
• 该方法的性能高度依赖于准确的风向估计；当三维流场效应扭曲风向矢量时，定位精度显著下降，表明这是实际部署中的关键限制。