气体度映射和源定位用于通过无人机空中系统进行环境监测,使用无模型强化学习剂

科学领域:

• 机器人技术和自主系统
• 环境监测 环境监测
• 机器学习 机器学习

背景情况:

• 准确检测和定位气体排放对于环境安全和工业应用至关重要.
• 无人驾驶系统,如无人机和UGV,为危险环境中的遥感和数据收集提供了多功能平台.
• 开发这些系统的自主导航能力对于有效完成任务至关重要.

研究的目的:

• 建立气体度图并估计排放源.
• 为无人驾驶车辆 (UAV/UGV) 从任何位置到气体源生成自主路径.
• 实施和评估一种强化学习方法,用于在气柱跟踪中自主生成路径.

主要方法:

• 开发一种可安装的金属氧化物半导体 (MOX) 传感器阵列,用于检测气体羽毛.
• 在气体分散研究中利用塔古奇的直角阵列进行高效的实验设计.
• 训练基于Q学习的强化学习代理,使用收集的传感器数据进行自主路径规划.

主要成果:

• 在所有测试的场景中,强化学习代理成功地生成了通往气体源的自主路径.
• 无人机在31个未见的场景中实现了达到气体源的74.19%的成功率.
• 在训练 (1258.88秒) 后,最佳的强化学习代理超参数 (ε=0.9, γ=0.9, α=0.9) 能够实现快速路径生成 (6.2 ms).

结论:

• 强化学习是一种可行的技术,用于在无人驾驶系统中自主生成路径,用于气体源定位.
• 开发的系统展示了在搜索,跟踪和定位任务中的真实应用的潜力.
• 未来的工作应该集中在提高准确性和探索具有障碍的更复杂环境上.