面向环境监测的移动机器人传感器网络分布式自适应采样方法研究

This project studies the problem of designing active sensing system for monitoring spatio-temporally varying environmental fields using mobile robotic sensor networks. In this project, we propose a novel adaptive sampling approach for mobile sensor networks based on reconstruction of the environmental field. The proposed method can be used for the emergency monitoring of sudden pollution accidents. The problem of adaptive sampling and the problem of field reconstruction are coupled. Correct estimation of the field affects the efficiency of the mobile sensor networks, while optimizing the sampling locations can maximize the information used for the field reconstruction. How to represent and model the field correctly, and computationally tractable are the major challenges. In this project, we propose a data-driven online field reconstruction method. The mathematical model of the underlying process is used for estimations and predictions. A surrogated model is constructed to correct discrepancies between the mathematical model and the data whenever they arise. Further, we propose to use an online model reduction technique to attain computational tractability whilst preserving correctness. Finally, this project seeks to develop a robust distributed estimation technique and sensor tasking strategies that can optimize the robot locations online in a receding horizon control fashion. The project seeks fundamental science technology discoveries at the confluence of estimation and control theory, fluid mechanics, computation science and artificial intelligence. This research can provide theoretical basis and technical guidance for monitoring dynamic evolving environmental fields using mobile sensor networks.

本项目研究使用多移动机器人组成的传感器网络对时空变化的环境监测时的主动传感系统设计问题，创新的提出了基于环境流场重构的传感器网络自适应采样方法，主要应用包括对突发性环境污染事故的应急监测等。移动机器人自适应采样策略和流场重构问题是耦合的，准确的估计流场状态能够提高移动机器人的采样效率，而优化采样路径可为流场重构提供更多的有效信息。因此，需解决的问题包括对环境流场的准确建模以及提出计算可行的采样策略。本项目提出基于多机器人采样数据的在线流场重构方法，以所监测环境的动力学模型为基础，通过构造代理模型修正建模误差，同时使用在线模型降阶方法，降低流场重构时所需的计算量。最后，本项目将研究鲁棒分布式估计方法和基于滚动时域控制的在线传感器网络节点部署方法。本项目涉及控制理论、流体力学、计算科学及人工智能等多个交叉学科的核心研究，为基于移动传感器网络的环境监测提供了理论依据和技术指导。

本项目研究使用多移动机器人组成的传感器网络对随时空变化的环境进行监测时的环境流场重构和传感器网络自适应采样问题。移动机器人的采样数据可用于对环境状态的快速、准确的估计和预测，而对环境变化趋势的预测可以为移动机器人采样策略提供必要信息，因此二者是耦合的。本项目以大气中的污染物扩散为例展开，并可用于对突发性环境污染事故的应急监测及机器人环境感知等领域。本项目首先提出基于数据驱动的环境流场重构方法，然后提出了多移动机器人在线路径规划方法，通过循环求解上述两个问题实现多移动机器人自适应采样。针对环境流场重构问题，本项目采用基于机理建模和数据驱动相结合的方法，提出随机化本征正交分解法在线构造降阶模型，降低状态估计的计算量；采用基于自相关函数的未知输入估计方法对建模误差、未知干扰等进行在线学习，提高环境流场重构的精确度。针对移动机器人自适应采样问题，本项目首先提出了一致性滤波和协方差交叉混合分布式滤波方法，解决存在传感器网络连通失败时的分布式估计问题；提出移动传感器网络分布式自适应采样方法，以降阶模型的可观测性为优化目标，求解移动传感器运动区域优化问题，缩小移动传感器网络的搜索范围，并使用改进蒙特卡洛树搜索方法实现了多移动传感器的在线路径规划。本项目从理论分析和仿真对比两方面验证了方法的可行性和有效性。本项目的研究内容涉及控制理论、流体力学、计算数学、人工智能等多个领域的基础研究，为基于传感器网络的突发环境污染事故应急处置提供了必要的理论基础和技术指导。