In order to sufficiently protect active personnel and physical environment from hazardous leaks, recent industrial practices integrate innovative multi-modalities so as to maximize response efficiency. Since the early detection of such incidents portrays the most critical factor for providing efficient response measures, the continuous and reliable surveying of industrial spaces is of primary importance. Current study develops a surveying mechanism, utilizing a swarm of heterogeneous aerial mobile sensory platforms, for the continuous monitoring and detection of CH4 dispersed gas plumes. In order to timely represent the CH4 diffusion progression incident, the research concerns a simulated indoor, geometrically complex environment, where early detection and timely response are critical. The primary aim was to evaluate the efficiency of a novel multi-agent, closed-loop, algorithm responsible for the UAV path-planning of the swarm, in comparison with an efficient a state-of-the-art path-planning EGO methodology, acting as a benchmark. Abbreviated as Block Coordinate Descent Cognitive Adaptive Optimization (BCD-CAO) the novel algorithm outperformed the Efficient Global Optimization (EGO) algorithm, in seven simulation scenarios, demonstrating improved dynamic adaptation of the aerial UAV swarm towards its heterogeneous operational capabilities. The evaluation results presented herein, exhibit the efficiency of the proposed algorithm for continuously conforming the mobile sensing platforms’ formation towards maximizing the total measured density of the diffused volume plume.

中文翻译：

---

协调异构移动传感平台以有效监测分散的气体羽流

为了充分保护在职人员和物理环境免受危险泄漏，最近的工业实践整合了创新的多模式，以最大限度地提高响应效率。由于此类事件的早期发现是提供有效响应措施的最关键因素，因此对工业空间进行持续和可靠的调查至关重要。目前的研究开发了一种测量机制，利用一组异构空中移动传感平台，用于连续监测和检测 CH4 分散气体羽流。为了及时反映 CH4 扩散进展事件，该研究涉及模拟的室内几何复杂环境，其中早期检测和及时响应至关重要。主要目的是评估一种新的多智能体闭环算法的效率，该算法负责无人机群的路径规划，并与有效的最先进的路径规划 EGO 方法进行比较，作为基准。该新算法简称为块坐标下降认知自适应优化 (BCD-CAO)，在七个模拟场景中优于高效全局优化 (EGO) 算法，展示了空中无人机群对其异构操作能力的改进动态适应。本文提出的评估结果展示了所提出的算法的效率，该算法用于连续符合移动传感平台的形成以最大化扩散体积羽流的总测量密度。负责群体无人机路径规划的算法，与作为基准的有效的最先进的路径规划 EGO 方法相比。该新算法简称为块坐标下降认知自适应优化 (BCD-CAO)，在七个模拟场景中优于高效全局优化 (EGO) 算法，展示了空中无人机群对其异构操作能力的改进动态适应。本文提出的评估结果展示了所提出的算法的效率，该算法用于连续符合移动传感平台的形成以最大化扩散体积羽流的总测量密度。负责群体无人机路径规划的算法，与作为基准的有效的最先进的路径规划 EGO 方法相比。该新算法简称为块坐标下降认知自适应优化 (BCD-CAO)，在七个模拟场景中优于高效全局优化 (EGO) 算法，展示了空中无人机群对其异构操作能力的改进动态适应。本文提出的评估结果展示了所提出的算法的效率，该算法用于连续符合移动传感平台的形成以最大化扩散体积羽流的总测量密度。该新算法简称为块坐标下降认知自适应优化 (BCD-CAO)，在七个模拟场景中优于高效全局优化 (EGO) 算法，展示了空中无人机群对其异构操作能力的改进动态适应。本文提出的评估结果展示了所提出的算法的效率，该算法用于连续符合移动传感平台的形成以最大化扩散体积羽流的总测量密度。该新算法简称为块坐标下降认知自适应优化 (BCD-CAO)，在七个模拟场景中优于高效全局优化 (EGO) 算法，展示了空中无人机群对其异构操作能力的改进动态适应。本文提出的评估结果展示了所提出的算法的效率，该算法用于连续符合移动传感平台的形成以最大化扩散体积羽流的总测量密度。