Ingenjörer vid Duke University utvecklar ett smart robotsystem för att sniffa upp hotspots för föroreningar och källor till giftiga läckor. Deras tillvägagångssätt gör det möjligt för en robot att införliva beräkningar gjorda i farten för att ta hänsyn till de komplexa luftflödena i trånga utrymmen snarare än att bara "följa dess näsa."

"Många befintliga metoder som använder robotar för att lokalisera källor till luftburna partiklar är beroende av bioinspirerade utbildade men förenklade gissningar, eller heuristiska tekniker, som driver robotarna i vinden eller för att följa ökande koncentrationer, " sa Michael M Zavlanos, Mary Milus Yoh och Harold L. Yoh, Jr. Docent i maskinteknik och materialvetenskap vid Duke. "Dessa metoder kan vanligtvis bara lokalisera en enda källa i öppet utrymme, och de kan inte uppskatta andra lika viktiga parametrar som frigivningshastigheter. "

Men i komplexa miljöer, dessa förenklade metoder kan skicka robotarna på vildgåsjakt till områden där koncentrationerna på konstgjord väg ökas av luftflödenas fysik, inte för att de är källan till läckan.

"Om någon röker utanför, det tar inte lång tid att hitta dem genom att bara följa din näsa för det finns inget som hindrar luftströmmarna från att vara förutsägbara, sa Wilkins Aquino, Anderson-Rupp professor i maskinteknik och materialvetenskap vid Duke. "Men lägg samma cigarett inne på ett kontor och plötsligt blir det mycket svårare på grund av de oregelbundna luftströmmarna som skapas av korridorerna, hörn och kontor."

I en nyligen publicerad tidning online i IEEE-transaktioner på robotik , Zavlanos, Aquino och nypräglade Ph.D. examen Reza Khodayi-mehr drar istället nytta av fysiken bakom dessa luftflöden för att spåra källan till ett utsläpp mer effektivt.

Deras tillvägagångssätt kombinerar fysikbaserade modeller av källidentifieringsproblemet med vägplaneringsalgoritmer för robotik i en återkopplingsslinga. Robotarna gör mätningar av föroreningskoncentrationer i miljön och använder sedan dessa mätningar för att stegvis beräkna varifrån kemikalierna faktiskt kommer.

"Att skapa dessa fysikbaserade modeller kräver lösningen av partiella differentialekvationer, som är beräkningskrävande och gör deras applikation ombord liten, mobila robotar mycket utmanande, ", sa Khodayi-mehr. "Vi har varit tvungna att skapa förenklade modeller för att göra beräkningarna mer effektiva, vilket också gör dem mindre exakta. Det är en utmanande avvägning. "

Khodayi-mehr byggde en rektangulär låda med en vägg som nästan delar utrymmet i längdriktningen för att skapa en U-formad hall i miniatyr som efterliknar ett förenklat kontorsutrymme. En fläkt pumpar luft in i korridoren i ena änden av U:et och tillbaka ut ur den andra, medan gasformig etanol långsamt läcker in i ett av hörnen. Trots enkelheten i installationen, luftströmmarna som skapas inomhus är turbulenta och röriga, skapar ett svårt källidentifieringsproblem för alla etanolsniffande robotar att lösa.

Men roboten löser problemet ändå.

Roboten gör en koncentrationsmätning, smälter ihop det med tidigare mätningar, och löser ett utmanande optimeringsproblem för att uppskatta var källan finns. Den hittar sedan den mest användbara platsen för att göra nästa mätning och upprepar processen tills källan hittas.

"Genom att kombinera fysikbaserade modeller med optimal vägplanering, vi kan ta reda på var källan är med mycket få mätningar, ", sa Zavlanos. "Detta beror på att fysikbaserade modeller ger korrelationer mellan mätningar som inte redovisas i rent datadrivna tillvägagångssätt, och optimal vägplanering tillåter roboten att välja de få mätningarna med mest informationsinnehåll."

"De fysikbaserade modellerna är inte perfekta men de bär fortfarande mycket mer information än bara sensorerna, " tillade Aquino. "De behöver inte vara exakta, men de tillåter roboten att dra slutsatser baserat på vad som är möjligt inom luftflödenas fysik. Detta resulterar i ett mycket mer effektivt tillvägagångssätt."

Denna komplexa serie av problemlösning är inte nödvändigtvis snabbare, men det är mycket mer robust. Den kan hantera situationer med flera källor, vilket för närvarande är omöjligt för heuristiska tillvägagångssätt, och kan till och med mäta kontamineringshastigheten.

Gruppen arbetar fortfarande med att skapa maskinlärande algoritmer för att göra deras modeller ännu mer effektiva och exakta på samma gång. De arbetar också med att utöka denna idé till att programmera en flotta av robotar för att utföra en metodisk sökning av ett stort område. Även om de inte har prövat gruppmetoden i praktiken ännu, de har publicerat simuleringar som visar dess potential.

"Att gå från en labbmiljö med kontrollerade inställningar till ett mer praktiskt scenario kräver uppenbarligen även andra utmaningar, " sa Khodayi-mehr. "Till exempel, i ett verkligt scenario kommer vi förmodligen inte att känna till geometrin för domänen som går in. Det är några av de pågående forskningsinriktningarna vi för närvarande arbetar med."

"Modellbaserad identifiering av aktiv källa i komplexa miljöer." Reza Khodayi-mehr, Wilkins Aquino, Michael M. Zavlanos. IEEE-transaktioner på robotar , 2019.