我国现有的化工园区内有着种类繁多和数目巨大的危险化学品，需要对工业设施及其周边的大气进行监测以确保企业生产排放符合环保标准。并且，如果危险气体化学品泄露，便会引发一系列安全事故，为了减少事故造成的损失，保护周围群众的生命安全，减少和避免有毒气体泄漏对人类造成的危害，我们需要对事故进行风险评估，对有毒有害气体的扩散进行动态模拟，预测有毒有害气体的扩散趋势，做出合理正确的决策。

在现实的工业园区环境中存在多种气体，在有毒有害气体泄漏的事故中，往往也会存在多个或大量的泄漏源同时向外界排出有毒气体，因此进行多气体源定位系统研究会更加符合实际的灾害应急需求。

同时，传统的气体监测方法存在监测效率低、覆盖范围有限、无法实时响应等问题。而无人机具有高效性、灵活性和实时性的特点，能够快速覆盖大面积区域，进行实时监测，提高了气体监测的效率。在有毒有害气体泄漏或爆炸等危险场景中，无人机可以远程操控，避免人员直接接触污染区域，从而大大降低了人员风险。利用无人机对现场大气环境进行监测，能有效提高准确性、安全性和效率，节约大量人力成本和硬件成本。

无人机通过无线通信技术，可以将采集的气体数据实时传输到地面终端或云端平台，实现多终端的实时监控和分析，从而实现对工业园区气体环境的立体监测，对于提高化工园区等场所的安全管理水平具有重要意义，为未来的环境监测和应急响应提供技术支持。

本研究将从气体扩散模拟、无人机路径规划、无人机控制系统三个角度切入，把利用四旋翼无人机进行气体环境智能监测作为目标，以提升化工园区等场所的安全管理水平为目的，对现有无人机的基本功能进行创新改进，对无人机组在气体监测中的路径进行更合理的规划，以得到更准确的相关数据，实现动态监测。

1.气体扩散模型

本项目将以高斯烟羽模型为基础，针对多气体源的定位与气体扩散模拟进行优化。

为了提高模拟的准确度，可以利用无人机实时监测的浓度点来更新浓度分布，将气体扩散模型与自主飞行算法相结合，利用实时计算浓度分布数据来为无人机的飞行提供依据，实现无人机在飞行检测的同时，进行气体分布的更新和飞行路线的优化，以纠正初始结果计算的误差。

 2. 无人机路径规划

首先，考虑到无人机在三维空间中的飞行，路径规划需要考虑垂直和水平方向的动态规划，并且能够实时处理环境变化，如突遇的障碍物，以及提供应急响应路径，确保无人机安全，以实现对大气环境的精准监测。

其次，运用相关算法，包括传统路径规划算法，如A*、Dijkstra等搜索算法，PRM、RRT等采样算法，以及智能仿生算法，如蚁群算法、粒子群优化等，用于解决路径规划问题，提高无人机路径规划的效率和优化性。

此外，路径规划不仅要考虑无人机的飞行轨迹，还要结合具体的监测任务，如气体采样点的选择和顺序，以优化整体任务的执行效率。本项目基于气体扩散模型对无人机进行路径规划，根据气体浓度的分布动态调整无人机的飞行路径，使无人机以最优或次最优的路径靠近气体源，使其在保证覆盖面积的前提下减少飞行时间，提高巡检效率。

项目组的研究遵照“计算机模拟-单个无人机-无人机组”的路径开展，将深度强化学习算法（DRL)和近端策略优化（PPO）算法用于无人机的动态路径规划，以在检测任务中规避障碍和优化飞行路线。多架无人机在多气体源监测环境中协同工作时，多架无人机之间采用粒子群优化算法结合人工势场法指导无人机跟踪羽流，避免羽流之间的碰撞，同时使无人机之间得到相对定位数据以增加定位精度。

3. 无人机控制系统

为了完成气体监测任务，无人机需要搭气体传感器，传感器需要满足轻质量、小体积、低功耗的要求。目前，用于无人机平台的气体传感器主要分为电化学型、光致电离型、催化燃烧型和红外传感型。

为了确保无人机无人机在复杂环境中稳定飞行和准确采样，需要包括路径规划、避障、自主飞行控制等技术作为支撑。

为了实时采集并记录数据，无人机需要通过无线传输技术将数据迅速回传至控制中心，在一些复杂的监测任务中，多机协同工作来完成任务，这涉及到无人机之间的通信、协调和任务分配等技术。

利用目标检测，采集无人机的工作环境信息，并给无人机配备一些影像设备实时地自动识别障碍物，辅助无人机规避障碍物，可以提高控制系统的稳定性。

由于无人机研究平台鲜明的三维特性，逐渐有学者将其与气体源定位算法结合起来进行进一步的研究。不过目前的研究内容主要集中在森林防火救火和城市高楼火灾现场辅助两个应用方向上，在有毒气体泄漏灾害方面只是将无人机进行事故后的一些搜索上。目前只有少量的国内外专家学者将无人机平台真正的应用到气体源定位领域上。

1.气体扩散模型：单一的气体样本分析所获取的信息有限，仅能提取到取样点瞬时的气体特性。若能引入气体扩散模型，通过算法将多个样品相互关联起来并联系取样点空间位置与取样时间，则使得目标区域内的气体分布特征可以在时间与空间的维度上进行一定程度上的推测，即可以进行气体源点位与气体扩散模拟。根据现有的气体扩散模型如高斯烟羽模型，针对性地获取气体参数并导入模型之中获得初步结果，再进行多次重复，可以获得逼近真实状况的气体状态。依靠现有的气体扩散模型，并根据实际情况进行修正，将理论与具体实际相结合，获得符合本项目要求的气体扩散模型。

2.目标检测：采用YOLOx目标检测模型，YOLOx目标检测模型对Yolo Head进行了重大改进。与之前版本中分类（Cl）回归（Reg）和目标存在性（Obj）在同一1X1卷积层中实现不同，YOLOx通过解耦预测分支显著提升了网络的识别性能和收敛速度。在YOLOx架构中，Yolo Head被拆分为两个独立部分，分别进行分类和回归操作，最终在预测阶段整合结果。这种解耦方法比非解耦的端到端方式带来了4.2%的AP提升。目前，无人机目标检测主要使用YOLOv3和YOLOv4算法，但这些算法在复杂多变的林地环境中可能面临较长的时延问题。相比之下，YOLOx相较于YOLOv5在速度上提升了1.8%的AP，达到了50.0%的AP。因此，将YOLOx集成到无人机目标检测系统中，将更有利于气体检测无人机在复杂环境中的作业。

3.路径规划：使用混合遗传算法对初始航迹进行规划后，对无人机增加限制条件，使无人机完成取样工作的时间尽可能缩短，从而使无人机完成任务时间尽可能缩短。在单次多取样任务中，为保证任务的完成度，需在进行航迹规划的过程中考虑均衡无人机能耗，保证无人机能耗在限制范围内，从而在完成相应任务的同时，达到对无人机能量的高效利用。

1.多气体源定位：气体源定位研究中使用广泛的气体扩散模型为高斯烟羽模型，在三维单源高斯烟羽模型的基础上进行多源扩散改进，并根据不同的影响因素对多源高斯烟羽模型进行仿真分析。

2.建立环境模型：将真实的物理空间抽象为算法可处理的虚拟空间。由于物理空间的复杂性，在抽象的过程中需要屏蔽一些细节，转化过程中选择适宜的分辨率，既不损失重要信息，又能提高运行速度。建立多样化场景，保证向实景飞行的平稳过渡并防止过度拟合。

3.无人机避障：无人机组进行气体监测工作时，需考虑无人机与其他物体之间和多架无人机之间的避让。无人机需要配备一些影像设备实时地自动识别障碍物，以最短路径靠近气体源。多架无人机之间采用粒子群优化算法结合人工势场法指导无人机跟踪羽流，避免羽流之间的碰撞。

4.动态监测系统：系统通过无人机搭载的气体检测设备对泄漏环境进行监测，并将数据通过无线通信模块回传到地面服务器，地面站系统通过数据显示模块可以展示气体浓度信息和无人机位置信息，地面工作人员可以通过这些信息实时调整无人机的位置来进行气体源的定位，实现动态监测。

1. 项目规划和可行性分析（2024年9月-11月）。组织成员进行初期调研，学习相关专业知识，与行业数据相结合。充分搜集行业调研并实地参访企业，调研市场需求。与指导老师探讨该项目的必要性、可行性以及技术实现路径，通过多条渠道了解真实可靠信息。

2.框架完善和学术准备（2024年11月-2025年1月）。2024年11月-12月，系统学习Ubuntu18.04系统操作和机器人操作系统(ROS)，掌握基本操作技能，搜集国内外数据库和现有模型。2025年1月及以后，持续跟进技术进展，在进一步掌握国内外已有的研究基础之上，调整完善现有的理论框架和实现策略。

3.无人机智能路径规划实现（2025年2月-5月）。在单个四旋翼无人机上实现智能路径规划操作功能：

（1）完成传感器模块与无人机的集成，确保传感器在飞行中能稳定采集气体数据。

（2）开发智能路径规划算法，使无人机沿设定轨迹接近气体源区域，能够动态调整路径以高效监测气体。

（3）进行智能路径规划的外场测试，验证无人机路径规划的稳定性和准确性，调整路径规划算法和飞行控制参数。

4.实现无人机有害气体源定位（2025年6月-9月）

（1）开发气体源定位算法，使无人机通过气体浓度数据确定气体源的相对位置。

（2）进一步优化算法，实现多气体源情形下的定位。

（3）进行外场气体源定位测试，验证无人机在复杂环境中对气体源的识别和定位精度。

5.创新点探索（2025年10月-2026年2月）。分阶段研究气体扩散模型引入和路径规划算法优化。

6.中期成果撰写（2026年2月-3月）。结合本研究的数据，撰写报告，结合项目进展撰写1篇论文，并完成中期审核。

7.研究成果展示（2026年4月-5月）。结合前期文献检索的内容和本研究的数据，撰写报告，最终结合项目进展撰写1-3篇论文、申请专利，并完成结题审核。