Введение

Симуляция обоняния

Машинное обоняние – это автоматизированное моделирование чувства обоняния. Это развивающееся направление в современной инженерии, включающее использование роботов или других автоматизированных систем для анализа химических веществ, переносимых по воздуху. Такой аппарат часто называют электронным носом или e-носом. Разработка машинного обоняния осложняется тем, что существующие устройства электронных носов реагируют на ограниченное число химических веществ, в то время как запахи формируются уникальными комбинациями (потенциально многочисленных) ароматических соединений. Несмотря на то, что технология находится на ранних стадиях развития, она обещает широкий спектр применений, таких как: обнаружение наркотиков, взрывчатых веществ и других опасных или незаконных веществ, реагирование на чрезвычайные ситуации и мониторинг окружающей среды. Один из предлагаемых типов технологии машинного обоняния – это приборы с массивом газовых датчиков, способные обнаруживать, идентифицировать и измерять летучие соединения. Однако, критически важным элементом в разработке этих приборов является анализ закономерностей, а успешная разработка системы анализа закономерностей для машинного обоняния требует тщательного рассмотрения различных вопросов, связанных с обработкой многомерных данных: предварительная обработка сигнала, выделение признаков, отбор признаков, классификация, регрессия, кластеризация и валидация. Другая проблема в современных исследованиях машинного обоняния – необходимость прогнозирования или оценки реакции датчика на смеси ароматов. Некоторые задачи распознавания закономерностей в машинном обонянии, такие как классификация запахов и локализация источника запаха, могут быть решены с помощью методов ядра временных рядов.

Обнаружение

Существует три основных метода обнаружения, использующих проводящие полимерные датчики запаха (полипиррол), датчики газа на основе оксида олова и датчики кварцевого микровеса. Как правило, они состоят из (1) массива датчиков определенного типа, (2) электроники для считывания показаний этих датчиков и формирования цифровых сигналов, и (3) программного обеспечения для обработки данных и пользовательского интерфейса. Вся система предназначена для преобразования сложных реакций датчиков в качественный профиль летучих веществ (или сложной смеси химических летучих веществ), составляющих запах, в виде выходного сигнала. Традиционные электронные носы не являются аналитическими приборами в классическом понимании, и лишь немногие из них заявляют о возможности количественного определения запаха. Эти приборы сначала "обучаются" на целевом запахе, а затем используются для "идентификации" запахов, чтобы в дальнейшем образцы можно было классифицировать как "пригодные" или "непригодные". Исследования альтернативных методов распознавания образов для массивов химических датчиков предложили решения для дифференциации искусственного и биологического обоняния с точки зрения размерности. Этот подход, вдохновленный биологией, предполагает разработку уникальных алгоритмов для обработки информации. Электронные носы способны различать запахи и летучие вещества из широкого спектра источников. Ниже приведен лишь небольшой перечень типичных областей применения технологии электронных носов – многие из них подтверждены результатами исследований и опубликованными техническими статьями.

Локализация запаха

Локализация запаха представляет собой сочетание количественного химического анализа запаха и алгоритмов поиска траекторий, при этом условия окружающей среды играют важную роль в качестве локализации. Исследуются различные методы для разных целей и в различных реальных условиях.

Мотивация

Локализация запаха — это техника и процесс определения местоположения источника летучих химических веществ в среде, содержащей один или несколько запахов. Это жизненно важно для всех живых организмов как для поиска пищи, так и для избежания опасности. В отличие от других основных человеческих чувств, обоняние полностью основано на химических процессах. Однако, по сравнению с другими аспектами восприятия, обнаружение запаха сопряжено с дополнительными трудностями из-за сложной динамики распространения запахов и непредсказуемых внешних факторов, таких как ветер.

Методы локализации

Методы локализации запаха часто классифицируются в зависимости от способов распространения запаха в различных условиях окружающей среды. Эти способы обычно делятся на две категории: течение жидкости, доминирующее за счет диффузии, и течение жидкости, доминирующее за счет турбулентности. Для локализации запаха в этих случаях используются различные алгоритмы, которые обсуждаются ниже.

Алгоритм E. coli

Простой метод отслеживания — алгоритм E. coli. В этом процессе датчик запаха просто сравнивает информацию о концентрации из разных точек. Робот движется по повторяющимся прямым линиям в случайных направлениях. Если информация о запахе в текущем состоянии улучшается по сравнению с предыдущим показателем, робот продолжает движение по текущей траектории. Однако, если текущее состояние хуже предыдущего, робот возвращается назад, а затем двигается в другом случайном направлении. Этот метод прост и эффективен, однако длина пути сильно варьируется, а количество ошибок возрастает по мере приближения к источнику.

Алгоритм шестигранного пути и алгоритм двенадцатигранника

Другой метод, основанный на модели диффузии, — это алгоритм шестиугольного пути, разработанный Р. Эндрю Расселом. Зонд движется на определенной глубине вдоль ребер плотно упакованной гексагональной сетки. В каждой точке ветвления n есть два возможных пути (левый и правый), и робот выбирает путь, ведущий к более высокой концентрации запаха, основываясь на информации о концентрации запаха в двух предыдущих точках ветвления n-1 и n-2. В 3D-версии алгоритма шестиугольного пути, алгоритме додекаэдра, зонд движется по траектории, соответствующей плотно упакованному додекаэдру, так что в каждой точке состояния существует три возможных варианта пути.

Поток жидкости с преобладанием турбулентности

В турбулентном потоке жидкости методы локализации разработаны для обработки фонового потока жидкости (ветра или воды) как помехи, вызванной турбулентностью. Большинство алгоритмов этой категории основаны на моделировании шлейфов (рис. 1). Динамика шлейфов базируется на гауссовских моделях, которые, в свою очередь, основаны на уравнениях Навье-Стокса. Упрощенное граничное условие гауссовской модели:

где Dx и Dy – коэффициенты диффузии; – линейная скорость ветра в направлении x, – линейная скорость ветра в направлении y. Дополнительно, предполагая однородность среды и постоянство источника шлейфа, уравнение для определения концентрации запаха в каждом датчике робота в момент времени t равно:

где – t-й отсчет i-го датчика, – коэффициент усиления, – интенсивность k-го источника, – положение k-го источника, – коэффициент затухания шлейфа, – фоновый шум, удовлетворяющий условию. При использовании моделирования шлейфов для локализации источника запаха могут применяться различные алгоритмы.

Алгоритм триангуляции

Простой алгоритм, который можно использовать для определения местоположения, — это метод триангуляции (рисунок 2). Исходя из приведенного выше уравнения определения запаха, положение источника запаха можно оценить, расположив расстояния, измеренные датчиками, с одной стороны уравнения и пренебрегая шумом. Положение источника можно оценить, используя следующие уравнения:

Инфотакси

В 2007 году была предложена стратегия, названная инфотаксисом, в которой формируется ментальная модель, использующая ранее собранную информацию о вероятном местонахождении источника запаха. Робот перемещается в направлении, максимизирующем объем получаемой информации. Инфотаксис разработан для отслеживания объектов в турбулентных условиях. Он был реализован как частично наблюдаемый марковский процесс принятия решений с неподвижной целью в двумерной сетке.