Forskere bruger luftstrømmenes fysik til at lokalisere gaslækager hurtigere i komplekse scenarier

Ingeniører ved Duke University er ved at udvikle et smart robotsystem til at opsnuse forureningshotspots og kilder til giftige lækager. Deres tilgang gør det muligt for en robot at inkorporere beregninger, der er foretaget undervejs for at tage højde for de komplekse luftstrømme i lukkede rum i stedet for blot at "følge dens næse."

"Mange eksisterende tilgange, der anvender robotter til at lokalisere kilder til luftbårne partikler, er afhængige af bio-inspirerede uddannede, men forsimplede gæt, eller heuristiske teknikker, der driver robotterne mod vinden eller følger stigende koncentrationer, " sagde Michael M. Zavlanos, Mary Milus Yoh og Harold L. Yoh, Jr. lektor i maskinteknik og materialevidenskab hos Duke. "Disse metoder kan normalt kun lokalisere en enkelt kilde i åbent rum, og de kan ikke estimere andre lige så vigtige parametre såsom frigivelseshastigheder."

Men i komplekse miljøer, disse forenklede metoder kan sende robotterne på jagt efter vilde gåser ind i områder, hvor koncentrationerne kunstigt øges af luftstrømmenes fysik, ikke fordi de er kilden til lækagen.

"Hvis nogen ryger udenfor, det tager ikke lang tid at finde dem ved bare at følge din næse, fordi der ikke er noget, der forhindrer luftstrømmene i at være forudsigelige, " sagde Wilkins Aquino, Anderson-Rupp professor i maskinteknik og materialevidenskab ved Duke. "Men læg den samme cigaret inde på et kontor, og pludselig bliver det meget vanskeligere på grund af de uregelmæssige luftstrømme skabt af gange, hjørner og kontorer."

I et nyligt papir offentliggjort online i IEEE-transaktioner på robotteknologi , Zavlanos, Aquino og nyslået ph.d. kandidat Reza Khodayi-mehr i stedet drage fordel af fysikken bag disse luftstrømme til at spore kilden til en emission mere effektivt.

Deres tilgang kombinerer fysikbaserede modeller af kildeidentifikationsproblemet med stiplanlægningsalgoritmer til robotteknologi i en feedback-loop. Robotterne tager målinger af forureningskoncentrationer i miljøet og bruger derefter disse målinger til gradvist at beregne, hvor kemikalierne rent faktisk kommer fra.

"Oprettelse af disse fysikbaserede modeller kræver løsning af partielle differentialligninger, som er beregningskrævende og gør deres applikation ombord lille, mobile robotter meget udfordrende, "sagde Khodayi-mehr." Vi har været nødt til at lave forenklede modeller for at gøre beregningerne mere effektive, hvilket også gør dem mindre nøjagtige. Det er en udfordrende afvejning."

Khodayi-mehr byggede en rektangulær kasse med en væg, der næsten halverer rummet i længderetningen for at skabe en miniature U-formet gang, der efterligner et forenklet kontorrum. En ventilator pumper luft ind i korridoren i den ene ende af U'et og tilbage ud af den anden, mens gasformig ethanol langsomt siver ud i et af hjørnerne. På trods af opsætningens enkelhed, luftstrømmene, der skabes indeni, er turbulente og rodede, skabe et vanskeligt kildeidentifikationsproblem for enhver ethanol-sniffende robot at løse.

Men robotten løser problemet alligevel.

Robotten tager en koncentrationsmåling, smelter det sammen med tidligere målinger, og løser et udfordrende optimeringsproblem for at vurdere, hvor kilden er. Den finder derefter ud af det mest nyttige sted at tage sin næste måling og gentager processen, indtil kilden er fundet.

"Ved at kombinere fysikbaserede modeller med optimal stiplanlægning, vi kan finde ud af hvor kilden er med meget få målinger, " sagde Zavlanos. "Dette skyldes, at fysikbaserede modeller giver korrelationer mellem målinger, der ikke tages højde for i rent datadrevne tilgange, og optimal stiplanlægning giver robotten mulighed for at vælge de få målinger med det mest informationsindhold."

"De fysikbaserede modeller er ikke perfekte, men de bærer stadig meget mere information end bare sensorerne alene, " tilføjede Aquino. "De behøver ikke at være nøjagtige, men de tillader robotten at drage slutninger baseret på, hvad der er muligt inden for luftstrømmenes fysik. Dette resulterer i en meget mere effektiv tilgang."

Denne komplekse serie af problemløsning er ikke nødvendigvis hurtigere, men det er meget mere robust. Det kan håndtere situationer med flere kilder, hvilket i øjeblikket er umuligt for heuristiske tilgange, og kan endda måle forureningshastigheden.

Gruppen arbejder stadig på at oprette maskinlæringsalgoritmer for at gøre deres modeller endnu mere effektive og præcise på samme tid. De arbejder også på at udvide denne idé til at programmere en flåde af robotter til at udføre en metodisk søgning af et stort område. Selvom de ikke har prøvet gruppetilgangen i praksis endnu, de har udgivet simuleringer, der viser dets potentiale.

"At flytte fra et laboratoriemiljø med kontrollerede indstillinger til et mere praktisk scenarie kræver naturligvis også at tage andre udfordringer op, " sagde Khodayi-mehr. "F.eks. i et scenarie i den virkelige verden vil vi sandsynligvis ikke kende geometrien af ​​det domæne, der går ind. Det er nogle af de igangværende forskningsretninger, vi arbejder på i øjeblikket."

"Modelbaseret identifikation af aktiv kilde i komplekse miljøer." Reza Khodayi-mehr, Wilkins Aquino, Michael M. Zavlanos. IEEE-transaktioner på robotter , 2019.