基于图注意力机制的气味源距离估计方法，结合角度-浓度融合技术，适用于旋转式传感器阵列

《Sensors and Actuators A: Physical》：Graph attention-based odor source proximity estimation with angle–concentration fusion for a rotating sensor array

　　• 结合了来自旋转气体传感器阵列的角度测量数据。
• 开发了GADNet，用于浓度-角度测量融合。
• 使用图注意力机制来建模传感器节点之间的空间关系。
• 提高了OSPE在湍流气味羽流环境中的鲁棒性。

**引言**
气味源接近度估计（OSPE）旨在通过分析气体传感器响应来预测传感器系统与气味源之间的距离。作为气味源定位（OSL）的基本组成部分，OSPE在机器人气味感知和气味引导导航中发挥着重要作用[1]。它还与在时变气流环境中的协作气味源搜索密切相关[2]。准确的接近度估计可以为OSL提供有效的距离约束，从而减少搜索范围并提高定位效率。先前的研究已经广泛探讨了机器人OSL，最近的综述表明，在该领域中，鲁棒的气味感知仍然是一个关键挑战[3]。最近的数据驱动研究进一步证明了深度学习在OSPE方面的可行性。例如，Yan等人使用两个金属氧化物半导体传感器估计了气味源的接近度，并表明可以从气体传感器响应模式中提取与距离相关的线索[4]。然而，这种方法主要依赖于有限传感通道的浓度响应，而没有明确建模传感器方向和旋转采样引入的方向语义。因此，即使浓度统计特征相似，但空间关系不同的位置也可能难以区分。

在真实环境中，测量的气味浓度与源距离之间的统计关系常常受到复杂物理过程的干扰。多传感器融合已被用于改进气味源距离估计，但由于气流扰动和羽流不稳定，传感器响应仍然受到很大影响[5]。基于粒子滤波器的羽流跟踪也表明，气味观测结果不确定且高度依赖于风相关的信息[6]。在网格生成的湍流中，标量源距离估计由于浓度场的波动和非均匀羽流结构而变得更加复杂[7]。平台引起的气流也会改变气味采样分布，尤其是对于移动或空中传感器平台[8]。在机械湍流气流中，由于机器人接收到的气味信息是间歇性和空间碎片化的，气味源搜索变得更加困难[9]。这些物理特性使得OSPE成为一个噪声大、非线性且识别能力弱的回归问题。因此，仅依赖浓度幅度或简单的统计特征在湍流环境中进行稳定和准确的距离估计是不够的。

早期与气味源相关的研究主要依赖于经验规则、概率估计或基于控制的搜索策略。Li等人使用移动机器人在室外气流环境中应用了粒子滤波器算法进行气味源定位[10]。还开发了有限时间运动控制来引导移动机器人朝向气味源区域[11]。基于源项估计的算法进一步利用物理和概率假设来推断与源相关的参数[12]。梯度自适应极值搜索通过利用局部浓度变化应用于室内气味源定位[13]。这些方法在相对稳定的条件下提供了可行的解决方案，但它们通常依赖于运动模型、浓度梯度或观测可能性假设。Chen和Huang将粒子滤波器与生物启发的趋风行为结合起来用于烟雾羽流跟踪，并通过机器人实验验证了该方法[14]。然而，这些概率和生物启发方法强烈依赖于风线索和观测模型。在高度间歇性的室内羽流中，这些假设可能会被违反，且这些方法没有明确学习传感器级别的空间依赖性或旋转气体传感器阵列的时间动态。

深度强化学习也被引入到机器人气味或气体源定位中。Chen等人提出了一个深度Q网络框架用于机器人气味/气体源定位，并进行了搜索性能的比较研究[14]。尽管这项测量研究改进了动作选择和搜索策略学习，但其主要目标是通过序列决策进行源定位，而不是连续的接近度回归。因此，它没有直接解决如何从多传感器浓度和方向序列中提取细粒度距离相关特征的问题。Li等人进一步引入了一种基于深度强化学习的主动嗅觉方法用于室内气味源定位[15]。然而，基于强化学习的OSL方法仍然主要关注动作选择和搜索策略优化，而感知模块在联合利用传感器拓扑、浓度信息和角度信息方面能力有限。

从硬件和系统设计的角度来看，研究人员试图通过结构改进和多模态传感来增强气味感知的空间表达能力。基于CMOS嗅觉传感器的气体源方向感知已被研究用于从传感器输出特征中推断方向线索[16]。受蛾类启发的多模态定位方法还整合了气味、风向和视觉信息以提高定位的鲁棒性[17]。此外，最近还探索了结合视觉-嗅觉融合与多模态大型语言模型的机器人气味源定位[18]。这些研究表明，传感器布局、采样机制和多模态信息可以提高气味引导的感知能力。与固定传感器配置相比，旋转传感器阵列使用有限的传感单元从多个方向提供观测数据，从而增强了方向信息的获取。然而，这种旋转角度信息通常仅作为辅助线索而不是接近度回归的显式特征来处理。因此，其对于稳定和准确的OSPE的潜在贡献尚未得到充分利用。

在算法层面，多机器人协作和群体智能策略已成为OSL中的重要研究方向。多无人机系统已被用于通过协作搜索来提高快速气味源定位[19]。基于共识的多智能体系统也被开发出来以增强协作气味源定位[20]。Lin等人基于改进的鲨鱼嗅觉优化算法开发了两种室内气味源定位方法，并在模拟室内环境中展示了群体智能策略的潜力[21]。然而，这项测量研究主要优化了全局搜索轨迹或源区域推断，而局部感知阶段仍然依赖于相对粗糙的气味观测。多样化的粒子群优化也被应用于未知环境中的多气味源定位[22]。有限时间粒子群优化进一步改善了气味源定位任务的搜索收敛性[23]。学习型粒子群优化已被用于增强自适应搜索行为[24]。信息论策略如信息趋性通过最大化稀疏观测下的预期信息增益来指导源定位[25]。遗传编程已被用于自动合成气味跟踪算法[26]。进化机器人学也被探索用于气味源定位策略的生成[27]。尽管这些方法提高了宏观搜索效率，但它们没有明确建模旋转多传感器阵列中的浓度-角度耦合关系。因此，局部决策仍然受到粗糙感知的限制，使得稳定和高精度的接近度估计变得困难。

生物启发的导航和生物嗅觉研究进一步表明，气味引导行为可以从自适应运动策略和间歇性气味线索中受益。基于模糊推理的生物启发导航已被用于改进机器人气味源定位[28]。生物研究还表明，动物可以利用间歇性气味线索和行为策略有效地接近气味源[29]。这些研究为气味引导导航提供了有益的启发。然而，它们主要关注搜索行为或生物策略的解释，而OSPE需要从局部时空传感器响应中进行连续的距离回归。因此，仍然需要一个专用的感知模型来从多传感器气味序列中提取与接近度相关的表示。

随着深度学习的快速发展，数据驱动的方法越来越多地应用于气味距离估计和羽流感知。脉冲神经网络已被用于结合多传感器融合实现快速的气味源距离估计[5]。基于CNN的方法可以从浓度时间序列中自动提取特征，并且显示出比手工设计的统计特征更好的优势[7]。然而，CNN通常假设输入数据在规则网格上排列，并依赖于固定的局部感受野。这个假设与旋转多传感器阵列不完全一致，在旋转多传感器阵列中，传感器观测具有不规则的空间关系和方向依赖的语义。此外，现有的OSPE研究仍然主要处理浓度信号，而与旋转传感相关联的角度信息没有得到充分利用[4]。因此，现有方法仍然缺乏一个统一的框架来共同建模空间拓扑、浓度和角度信息之间的模态差异以及间歇性气味羽流的时间演变。

为了解决这些挑战，本文提出了一种基于图注意力的气味源接近度估计网络（GADNet），该网络具有双分支空间注意力机制。所提出的模型将多传感器浓度时间序列和旋转角度信息作为输入，并在统一框架内整合了空间关系建模、多模态特征调制和时间动态融合。具体来说，引入了图注意力网络来适应性地建模传感器节点之间的空间依赖性，使模型能够在受到干扰或不完整观测的情况下调整每个传感器的贡献。然后设计了一个双分支注意力机制分别处理浓度和角度特征，从而在自适应融合之前保留气味强度线索和方向线索。最后，使用时间建模模块来捕捉气味信号的动态演变并抑制由羽流间歇性引起的瞬时干扰。

本文的主要贡献可以总结如下：
(1) 引入了一种基于图注意力的空间建模策略来表征旋转气体传感器节点之间的空间依赖性。通过为相邻传感器自适应分配不同的权重，该模型减少了在扰动羽流条件下不可靠的局部观测的影响。
(2) 构建了一个双分支浓度-角度注意力机制，分别提取气味强度线索和方向线索。这种结构使得浓度和角度信息的差异化特征调制和自适应融合成为可能，从而提高了OSPE在湍流环境中的可识别性。浓度分支和角度分支专门针对这两种模态的独特特性进行了定制。
(3) 通过整合基于图的空间编码、浓度-角度特征融合和时间动态建模，形成了一个统一的时空融合框架。仿真实验表明，与代表性基线模型相比，该模型在准确性和鲁棒性方面有所改进，证明了所提出的传感和信息融合设计的有效性。

**数据特征**
在移动机器人OSPE任务中，收集的数据展现出特定的结构特征，这些特征直接影响神经网络的设计。与传统的固定传感器阵列不同，本研究考虑的采用了一种旋转传感器阵列架构，其中每个传感器节点在同时测量气味浓度信号的同时记录其方向信息。这种旋转传感策略使传感器系统能够从多个方向获取观测数据。

**仿真平台**
为了系统研究复杂室内环境中的气体扩散并构建一个可控且多样的训练数据集，在Ubuntu操作系统上基于ROS（机器人操作系统）和GADEN气体扩散模拟器开发了一个三维仿真平台。首先，使用CAD建模工具构建了一个尺寸为9.8米×9.8米×2.5米的封闭室内环境。在环境中放置了不同形状和大小的障碍物以生成实验数据。

**实验结果**
本节对所提出的GADNet模型进行了系统的实验评估，重点是分析角度信息、多传感器空间建模和时间动态对气味源接近度估计性能的影响。所有实验都在一个统一的模拟气流数据集上进行。平均绝对误差（MAE）被用作比较不同模型和消融设置的主要评估指标。

**结论**
本研究解决了浓度信号的强随机性和湍流环境下气味源接近度估计中空间可识别性不足的挑战。通过结合来自旋转多传感器阵列的角度信息，提出了一种基于图注意力的估计框架GADNet。该模型通过图注意力、双分支注意力共同利用了传感器空间关系、浓度-角度特征融合和时间羽流动态。

**作者贡献声明**
Chen Duowen：撰写——原始草稿、方法论。Wang Bo：验证。Wang Yanwei：软件、资源。Shi Yan：撰写——审阅与编辑、监督。Men Hong：资源、方法论。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。

**致谢**
本工作得到了吉林省发展和改革委员会[2024C007-8]的支持。
Chen Duowen目前在中国东北电力大学攻读硕士学位，他的研究兴趣包括气味源定位、模式识别和深度学习。