本发明属于环境安全及传感器，具体涉及一种用于环境监测的智能机器人采样路径优化与场重建方法。
背景技术：
1、因室内环境质量恶化造成的健康威胁和财产损失事件层出不穷，其原因在于人们无法有效感知弥散于室内环境中的“无形”危险物质，不能自觉地发现自己正处于或即将进入一个危险的室内环境中。环境参数场重建技术能够有效弥补这一生理局限，代替人们感知并精确量化敏感环境参数的精细分布，对于保障室内空气质量、人员健康和安全具有重要意义。
2、环境参数场重建技术主要由两个阶段组成：一是获取环境中一些点位的参数数据，二是基于这些数据使用场重建算法进行推导计算，理论上可通过该技术获得室内任意一点的环境参数信息。使用机器人平台搭配各种环境参数传感器组，在室内有限数量的点位进行采样，是获取环境参数数据的主要技术手段。该技术具备以下优势；1.在突发有毒有害气体泄漏事件中，能够实现传感器的快速部署；2.机器人能够灵活移动，搭载少量传感器即可采集环境中多个点的参数，能避免繁琐的传感器校准工作；3.对于环境的实时适应能力强，能够进入人员无法到达的危险区域。
3、然而，在实际应用中，现有的机器人场重建系统大多采用遍历扫描的采样方法，即让机器人按固定路径移动，在预设点位进行采样。这种方法在设置较少采样点时无法准确还原较大尺寸的环境参数场，因此需要设置较多的采样点，而这又会导致机器人采样效率低下，且在一些动态环境中，过长的采样时间同样会导致场重建结果失真。如何在保证机器人采样高效率的同时，确保场重建结果的高准确率，对以机器人为平台的环境参数场重建系统来说是亟待解决的难题。
技术实现思路
1、本发明实施例要解决的技术问题是现有的基于机器人平台的采样方法普遍为扫描式或遍历式所导致的采样时间长、采样效率低下以及采样点设置冗余过高的问题。提供了一种用于环境监测的智能机器人采样路径优化与场重建方法。在该方法中，采样点位分为初始采样点位和追加采样点位，将基于概率权重和信息密度的算法作为追加采样点选择算法，将贪婪算法作为采样点位的采样路径优化算法，将kernel系列算法结合动态网格的改进算法作为场重建算法。提高了机器人环境参数场重建系统的采样效率和准确率并降低成本。
2、本发明实施例提供一种适用于移动机器人平台的智能采样路径优化与场重建方法，所述方法包括以下步骤：
3、步骤s1：对场重建移动机器人的位置、迭代次数进行初始化处理；设置采样环境的初始信息、采样点选择算法参数和场重建算法参数；设置采样时间t和最大迭代次数tmax；设置空数组a、b和c；
4、步骤s2：将机器人投入环境，执行算法，由于无历史数据参考，机器人的初始采样点位根据采样区域的尺寸和机器人移动的最大步长确定并由贪婪算法优化采样路径，初始采样点个数设置为n1，所有初始采样点坐标均存储在数组a中；
5、步骤s3：机器人数组a中坐标排序进行移动，当机器人到达目标位置后，机器人搭载的传感器组开始采集该位置的环境参数数据并计算出采集时间t内的平均值，之后前往下一个目标位置直至完成数组a中储存的全部坐标的采样工作，并更新位置信息；
6、步骤s4：完成采样后，机器人停留在最后一个采样点，使用已采集的数据进行场重建计算，之后将迭代次数+1，并调整场重建算法参数中的网格尺寸参数；
7、步骤s5：将本次场重建数据进行缺失值补齐和归一化处理，并将处理结果储存在数组b，调用采样点位选择算法，确定下一次的追加采样点坐标，追加采样点个数设置为n2；
8、步骤s6：判断是否数组b和数组c是否均不为空，如果是，转入步骤s11；如果否，则转入步骤s7；
9、步骤s7：调用贪婪算法对n2个追加采样点进行排序，并将排序完成的追加采样点追加至数组a的末尾；
10、步骤s8：机器人按a中新追加的坐标顺序进行移动，当机器人到达目标位置后，机器人搭载的传感器组开始采集该位置的环境参数数据并计算出采集时间内的平均值，之后前往下一个目标位置直至完成a中储存的全部坐标的采样工作，并更新位置信息；
11、步骤s9：完成采样后，机器人停留在最后一个采样点，使用已采集的所有数据进行场重建计算，之后将迭代次数+1，并调整场重建算法参数中的网格尺寸参数；
12、步骤s10：将本次场重建数据进行缺失值补齐和归一化处理，将数组b中存储的上一次场重建处理结果转移至数组c，之后将数组b的储存数据更新为本次处理结果，转入步骤s6；
13、步骤s11：调用停止条件算法计算两个数组的相似度指标，之后初始化数组c；
14、步骤s12：判断是否满足停止条件；如果是，则结束采样；如果否，则转入步骤s5；
15、进一步地，所述步骤s2和s7包括：
16、贪婪算法的计算原理为，计算剩余待采样的坐标点与机器人当前位置的欧几里得距离，按距离的远近为待采样坐标点排序，距离最近的点为下一个采样点；
17、进一步地，所述步骤s3包括：
18、机器人根据公式确定采集时间内的平均浓度；
19、其中，cn为传感器读数；t为采样时间；ct为传感器检测到的瞬时浓度。
20、进一步地，所述步骤s4和步骤s8包括：
21、所使用的场重建算法为kernel系列算法结合动态网格的改进算法。kernel系列算法根据采样环境是否有风可分为kernel dm+v算法和kernel dm+v/w算法；
22、kernel dm+v算法仅需使用采样点坐标及其对应的传感器采集数据，适用于微风或无风环境；kernel dm+v/w算法除坐标和传感器数据外还需要风速风向信息，适用于机械通风或自然风环境；
23、改进算法的网格尺寸动态调整策略为：设置最大网格尺寸lmax和最小网格尺寸lmin，初始网格尺寸为lmax，随迭代次数增减逐次减半直至最小网格尺寸lmin。
24、进一步地，所述步骤s5和s10包括：
25、场重建结果的缺失值处理方法为最邻近插值方法。采样点位选择算法由基于浓度数据的概率权重设置算法和基于信息密度的权重调整算法组成。其中，基于浓度数据的概率权重设置算法原理如下：根据数组b的数据为各个网格点设置浓度权重p，之后对点位进行随机选取，浓度权重越大的网格点被选中的概率越高。
26、基于信息密度的权重调整算法原理如下：为避免重复采样，首先将已采样点，即数组a中已经存在的坐标点的权重设置为0；其次，根据公式调整剩余网格点的权重；
27、其中，p为调整后的网格点权重，p0为该网格点经概率权重算法计算得到的原始权重，α为权重调整因子，取值范围为(0，1)，n为以该网格点为圆心，半径为r的圆形影响范围内存在的已采样点的数量，最优权重调整因子α和最优影响范围半径r均通过模拟和实际实验取得；
28、进一步地，所述步骤s11包括：
29、停止条件算法由网格调整算法和均方根误差指标算法组成，网格调整算法用于将两个网格尺寸不同的场重建结果处理到相同尺寸，均方根误差指标用于衡量两次场重建结果的相似度，均方根误差指标根据公式计算获得；
30、其中，rmse为均方根误差指标，n为网格点数量，bij为网格点(i，j)上一次场重建的计算结果，cij为网格点(i，j)本次场重建的计算结果；
31、进一步地，所述步骤s12包括：
32、当满足以下任一条件时，视为满足停止条件，停止采样：
33、第一条件，判断是否已经达到最大迭代次数tmax；
34、第二条件，判断rmse指标的计算结果是否达到停止要求，其中，停止要求的数值由人工确定；
35、本发明上述技术方案的有益效果如下：
36、上述方案中，通过将概率权重选择算法、基于信息密度的权重调整算法和贪婪算法相结合的采样点位选择和路径优化方法与机器人平台相结合，可以让机器人场重建系统具备对环境的学习能力，提高采样效率和场重建的精度。
1.一种智能机器人采样路径优化与场重建方法，其特征在于，所述方法由以下步骤组成：
2.根据权利要求1所述的采样路径优化与场重建方法，其特征在于，所述步骤s2和s7进一步包括：
3.根据权利要求1所述的采样路径优化与场重建方法，其特征在于，所述步骤s3进一步包括：
4.根据权利要求1所述的采样路径优化与场重建方法，其特征在于，所述步骤s4和s8进一步包括：
5.根据权利要求1所述的采样路径优化与场重建方法，其特征在于，所述步骤s5和s10进一步包括：
6.根据权利要求1所述的采样路径优化与场重建方法，其特征在于，所述步骤s11进一步包括：
7.根据权利要求1所述的采样路径优化与场重建方法，其特征在于，所述步骤s12进一步包括：
