一种自动化检测室内环境参数的移动监测方法

摘要

本发明涉及环境监测领域，提供了一种自动化检测室内环境参数的移动监测方法，使用搭载多传感器的移动监测平台采集室内的各种环境参数，通过引入激光和视觉融合SLAM系统系统方法实现对移动监测平台在未知环境的定位、室内地图构建和自主导航，结合Agglomerative层次聚类等人工智能算法自动优化数据采集节点的位置和数量，从而实现在不同未知环境的室内环境监测，充分反映室内环境参数分布特征，避免了在各个采集节点均需布置传感器，手动设置巡检路径和采集节点的问题，降低了硬件成本和时间成本，提高了环境监测系统的灵活性、智能化和适用范围。

权利要求

1.一种自动化检测室内环境参数的移动监测方法，其特征在于，包括以下步骤：

步骤S1：判断是否已有室内地图数据，从而识别移动监测平台是否处于未知环境，决定接下来的行动是构建室内地图还是根据已有的室内地图进行巡检路径规划和自主导航；如果没有室内地图数据，则进入步骤S2；如果已有室内地图数据，则进入步骤S3；

步骤S2：构建室内地图，使用激光和视觉融合SLAM系统实时定位移动监测平台，全面扫描室内环境，同步构建室内地图，并将室内地图存储；

步骤S3：通过激光和视觉融合SLAM系统获取移动监测平台在室内地图中的位置，并将其作为初始参考位置；

步骤S4：根据存储器中的巡检路径规划和采集节点位置，使用激光和视觉融合SLAM系统自主导航，导航至下一采集节点；

步骤S5：驱动环境参数采集模块，采集温度、湿度、CO、CO2作为环境参数数据并存储；

步骤S6：检查是否所有采集节点都有对应的温度、湿度、CO、CO2数据，以确定是否继续采集，若没有则重复步骤S5；

步骤S7：通过WIFI将采集的温度、湿度、CO、CO2数据上传至物联网云平台和上位机服务器，基于Agglomerative层次聚类算法的采集节点的优化工作流程包括如下步骤：步骤S701、接收移动监测平台通过WIFI无线传输的采集节点的温度、湿度、CO、CO2数据，每个数据点应包含采集节点的位置横坐标x、位置纵坐标y以及对应的环境参数数据坐标z，即数据点坐标应为三维坐标（x, y, z）；

步骤S702、采用归一化后的欧氏距离作为度量两个数据点的距离，计算数据点距离矩阵；

步骤S703、将每个数据点看作一个单独的聚类簇，进行初始化聚类；

步骤S704、聚类合并，使用Average‑linkage方式来计算簇之间的距离；在室内地图的信息采集和检测场景中，以确保覆盖室内环境并优化数据采集效率；

步骤S705、更新聚类簇距离矩阵；

步骤S706、不断重复步骤S704和步骤S705，直到满足预先设定的停止条件；

步骤S707、确定最优采集节点；

步骤S708、通过WIFI模块进行数据无线传输；

步骤S8：移动监测平台完成本轮室内环境参数巡检后，通过激光和视觉融合SLAM系统导航返回初始参考位置，按用户设置的巡检周期时间间隔开始下一轮巡检。

2.根据权利要求1所述的自动化检测室内环境参数的移动监测方法，其特征在于，所述步骤S1中，若存储器内已有室内地图，则进行巡检路径规划和自主导航；若没有室内地图数据，移动监测平台的激光和视觉融合SLAM系统+运动控制模块上的微控制器单元MCU通过驱动激光雷达发送和接收激光采集室内环境的点云信息，从而获取室内地图数据。

3.根据权利要求1所述的自动化检测室内环境参数的移动监测方法，其特征在于，所述步骤S2中，通过激光和视觉融合SLAM系统实时定位移动监测平台，并控制移动监测平台运动，全面扫描室内环境，同步构建室内地图，并将室内地图存储至激光和视觉融合SLAM系统+运动控制模块的存储器中。

4.根据权利要求1所述的自动化检测室内环境参数的移动监测方法，其特征在于，所述步骤S3中，当移动监测平台完成未知环境的室内地图构建，或者上电后读取存储器中发现已有室内地图的相关数据后，立即通过激光和视觉融合SLAM系统定位移动监测平台在室内地图中的位置，并将其作为初始参考位置，为自主导航提供初始参考位置的信息。

5.根据权利要求1所述的自动化检测室内环境参数的移动监测方法，其特征在于，所述步骤S4中，移动监测平台根据激光和视觉融合SLAM系统+运动控制模块的存储器中存储的巡检路径规划和采集节点位置，通过激光和视觉融合SLAM系统自主导航，并控制转向舵机和直流电机使移动监测平台运动至下一个采集节点位置。

6.根据权利要求1所述的自动化检测室内环境参数的移动监测方法，其特征在于，所述步骤S5中，当移动监测平台到达采集节点后，环境参数采集模块驱动温湿度传感器、CO传感器、CO2传感器，采集环境温度、湿度、CO、CO2作为环境参数数据生成电压、电流连续变化的模拟信号，并通过A/D转换将传感器采集生成的各种模拟信号转化为数字信号，经过微控制器单元MCU处理后生成实际的环境参数数据，并存储至存储器中对应的采集节点数据中。

7.根据权利要求1所述的自动化检测室内环境参数的移动监测方法，其特征在于，所述步骤S6中，全面扫描存储器中所有的采集节点数据，判断是否所有采集节点都有对应的温度、湿度、CO、CO2数据；若是，说明已采集完所有采集节点，则开始进行步骤S7，否则移动监测平台继续导航至下一采集节点继续采集温度、湿度、CO、CO2数据。

说明书

一种自动化检测室内环境参数的移动监测方法

技术领域

[0001] 本发明涉及环境监测领域，特别地涉及一种自动化检测室内环境参数的移动监测方法。

背景技术

[0002] 伴随着世界经济和科技的高速发展，人们的生活水平有了显著提高，但同时带来的特别是气体环境污染问题也越来越受到人们的重视，比如大气中的二氧化碳（CO2）等温室气体、天然气中的一氧化碳（CO）等有毒有害气体时刻在威胁着人们的健康，同时室内环境的温度、湿度等因素也影响着家居和办公的舒适度。因此，自动化检测室内环境参数的智能家居和智能楼宇越来越受到人们的关注，在人们日常生活和工作过程中，实时监测室内环境中温度、湿度、一氧化碳、二氧化碳四大环境要素变化，预防火灾、气体泄露等事故的发生，提供一个安全、舒适、便捷的环境。

[0003] 但是现有自动化检测室内环境参数的方案中，主要包括多点固定布置传感器和可移动机器人搭载传感器巡检两种方案。前者是根据自身经验和室内结构，在室内人工多点布置和更改不同传感器的固定位置，可能需要经过多次人工手动更改传感器采集节点的位置，增加传感器的数量，才能找到充分反映室内环境参数分布特征的传感器采集节点位置，从而导致硬件成本和时间成本上升；后者是将不同类型的传感器固定在可移动机器人上，对于特定的场景提前设定室内巡检路线和采集节点位置，因此同类型的传感器只需一个就可检测所有采集节点的某个环境参数，节省了硬件成本，但仍然需要根据自身经验、环境因素和采集数据，人工手动更改巡检路线和传感器采集节点位置，逐步优化反映室内环境参数分布特征的传感器采集节点的位置和数量，灵活性较差。

发明内容

[0004] 针对上述现有技术中的问题，本发明提出了一种自动化检测室内环境参数的方案，使用搭载多传感器的移动监测平台在未知的室内环境中，实现构建室内地图、巡检路径规划、自主导航以及数据采集等功能。

[0005] 优选地，该移动监测平台整体架构由可移动平台小车、移动平台驱动模块和环境参数采集模块组成。

[0006] 优选地，可移动平台小车采用三层设计，底层的底板上前方安装一个大扭矩转向舵机提供转向动力，后方安装两个编码器直流电机提供前进动力，中间安装电池仓放置供电电池，均通过螺钉与支架连接固定在底板上；底板侧面安装两个转向前轮和两个驱动后轮；中间层支撑板用于安装环境参数采集模块；顶层支撑板用于安装激光和视觉融合SLAM系统+运动控制模块。

[0007] 优选地，环境参数采集模块结构及其功能如下：

[0008] 温湿度传感器负责采集环境的温湿度数据；

[0009]  CO传感器负责采集环境的CO浓度数据；

[0010]  CO2传感器负责采集环境的CO2浓度数据；

[0011] 存储器中负责存储各采集节点温度、湿度、CO、CO2等环境参数数据；

[0012]   A/D转换模块负责将传感器采集到的模拟信号转换为微控制器单元MCU(Microcontroller Unit)可以处理的数字信号；

[0013] 电源模块负责将外界供电电池的输入电压输出为3.3V、5V等模块上其他元器件稳定工作需要的电压；

[0014] 按键模块负责微控制器单元MCU复位；

[0015]  LED模块负责提示传输信号的发送接收是否正常；

[0016]  WIFI模块负责微控制器单元MCU与上位机和物联网云平台的无线通信；

[0017]  OLED显示屏负责显示该采集节点的编号、位置、环境参数等信息。

[0018] 优选地，激光和视觉融合SLAM系统+运动控制模块结构及其功能如下：

[0019] 电源模块负责将外界供电电池的输入电压输出为3.3V、5V等模块上其他元器件稳定工作需要的电压；

[0020] 按键模块负责微控制器单元微控制器单元MCU复位、清空存储器中室内地图等功能；

[0021]  LED模块负责提示传输信号的发送接收是否正常；

[0022] 激光雷达负责通过发送和接收激光采集室内环境的点云信息（距离和角度）；

[0023]  双目深度相机负责获取物体到相机的距离信息，用于实现激光和视觉融合SLAM (Simultaneous Localization and Mapping)系统以及室内实时成像；

[0024] 存储器中负责存储室内地图、采集节点位置、巡检路径等数据；

[0025]   A/D转换模块负责将传感器采集到的模拟信号转换为微控制器单元MCU(Microcontroller Unit)可以处理的数字信号；

[0026]  WIFI模块负责MCU与上位机服务器的无线通信；

[0027]  OLED显示屏负责显示移动监测平台的位姿、速度、工作状态、供电电池电量等信息。

[0028] 优选地，当移动监测平台上电后，首先读取存储器中是否已有室内地图的相关数据，从而来识别是否处于一个未知环境，决定接下来的行动是构建室内地图还是根据已有的室内地图进行巡检路径规划和自主导航。

[0029] 优选地，若存储器没有室内地图，移动监测平台的激光和视觉融合SLAM系统+运动控制模块上微控制器单元MCU通过驱动激光雷达发送和接收激光采集室内环境的点云信息, 驱动双目深度相机获取物体到相机的距离信息，并通过A/D转换将激光雷达和深度相机生成的电压、电流等连续变化的模拟信号转换为数字信号，经过微控制器单元MCU处理为室内地图的数据。

[0030] 优选地，通过激光和视觉融合SLAM系统实时定位移动监测平台，并控制移动监测平台运动，全面扫描室内环境，同步构建室内地图，并将室内地图存储至激光和视觉融合SLAM系统+运动控制模块的存储器中。

[0031] 优选地，当移动监测平台完成未知环境的室内地图构建，或者上电后读取存储器中发现已有室内地图的相关数据后，立即通过激光和视觉融合SLAM系统定位移动监测平台在室内地图中的位置，并将其作为初始参考位置，为自主导航提供初始参考位置的信息。

[0032] 优选地，移动监测平台根据激光和视觉融合SLAM系统+运动控制模块的存储器中存储的巡检路径规划和采集节点位置，通过激光和视觉融合SLAM系统自主导航，并控制转向舵机和直流电机使移动监测平台运动至下一个采集节点位置。

[0033] 优选地，当移动监测平台到达采集节点后，环境参数采集模块驱动温湿度传感器、CO传感器、CO2传感器，采集环境温度、湿度、CO、CO2等环境参数数据生成电压、电流等连续变化的模拟信号，并通过A/D转换将传感器采集生成的各种模拟信号转化为数字信号，经过微控制器单元MCU处理后生成实际的环境参数数据，并存储至存储器中对应的采集节点数据中。

[0034] 优选地，全面扫描存储器中所有的采集节点数据，判断是否所有采集节点都有对应的温度、湿度、CO、CO2等环境参数数据。若是说明已采集完所有采集节点，则开始进行数据无线传输，否则移动监测平台继续导航至下一采集节点继续采集温度、湿度、CO、CO2等环境参数数据。

[0035] 优选地，环境参数采集模块通过WIFI将所有采集节点的环境参数数据上传至物联网云平台和上位机服务器，实时可视化显示室内环境参数；激光和视觉融合SLAM系统+运动控制模块通过WIFI将所有采集节点的位置数据和室内地图上传至上位机服务器，上位机服务器基于Agglomerative层次聚类算法，优化采集不同种类环境参数的采集节点的数量和位置，根据优化后的采集节点结合目前成熟的全局巡检路径规划算法，更新巡检路径规划，并最终将优化后的采集节点的数量和位置、更新后的巡检路径规划数据通过WIFI下发给移动监测平台的激光和视觉融合SLAM系统+运动控制模块。

[0036] 优选地，移动监测平台完成一轮室内环境参数的巡检后，通过激光和视觉融合SLAM系统导航返回初始参考位置，等待用户设置的巡检周期时间间隔后，开始下一次巡检。

[0037] 本方案中设计了一种基于Agglomerative层次聚类算法的采集节点优化方法，上位机服务器可以根据传感器采集节点的位置和环境参数值，逐渐迭代优化传感器采集节点的数量和位置，从而实现更有效的环境参数数据采集和检测。

[0038] 上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。

[0039] 本发明提供的一种自动化检测室内环境参数的移动监测平台及方法，与现有技术相比，至少具备有以下有益效果：

[0040] 本发明使用搭载多传感器的移动监测平台采集室内的各种环境参数，通过引入激光和视觉融合SLAM系统方法实现对移动监测平台在未知环境的定位、室内地图构建和自主导航，结合Agglomerative层次聚类等人工智能算法自动优化数据采集节点的位置和数量，从而实现在不同未知环境的室内环境监测，充分反映室内环境参数分布特征，避免了在各个采集节点均需布置传感器，手动设置巡检路径和采集节点的问题，降低了硬件成本和时间成本，提高了环境监测系统的灵活性、智能化和适用范围。

附图说明

[0041] 在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：

[0042] 图1显示了本发明的移动监测平台整体架构框图；

[0043] 图2显示了本发明的可移动平台小车结构示意图；

[0044] 图3显示了本发明的环境参数采集模块结构框图；

[0045] 图4显示了本发明的激光和视觉融合SLAM系统+运动控制模块结构框图；

[0046] 图5显示了本发明的移动监测平台工作流程图；

[0047] 图6显示了本发明的基于Agglomerative层次聚类算法的采集节点优化工作流程图；

[0048] 附图标记：

[0049]  1‑底板，2‑转向前轮，3‑电池仓，4‑驱动后轮，5‑编码器直流电机，6‑顶层支撑板，7‑中间层支撑板，8‑转向舵机，9‑传动机。

具体实施方式

[0050] 下面将结合附图对本发明作进一步说明。

[0051] 如图1所示，本发明提供了一种自动化检测室内环境参数的移动监测平台及方法，使用搭载多传感器的移动监测平台在未知的室内环境中，实现构建室内地图、巡检路径规划、自主导航以及数据采集等功能。该移动监测平台整体架构框图如图1所示，由可移动平台小车、移动平台驱动模块和环境参数采集模块组成。

[0052] 在一个实施例中，可移动平台小车结构示意图如图2所示。可移动平台小车采用三层设计，底层的底板上前方安装一个大扭矩转向舵机提供转向动力，后方安装两个编码器直流电机提供前进动力，中间安装电池仓放置供电电池，均通过螺钉与支架连接固定在底板上；底板侧面安装两个转向前轮和两个驱动后轮。中间层支撑板用于安装环境参数采集模块。顶层支撑板用于安装激光和视觉融合SLAM系统+运动控制模块。

[0053] 在一个实施例中，根据图5所示移动监测平台工作流程图，判断是否已有室内地图的相关数据：当移动监测平台上电后，首先读取存储器中是否已有室内地图的相关数据，从而来识别是否处于一个未知环境，决定接下来的行动是构建室内地图还是根据已有的室内地图进行巡检路径规划和自主导航。

[0054] 在一个实施例中，获取室内地图数据：若存储器没有室内地图，移动监测平台的激光和视觉融合SLAM系统+运动控制模块如图4所示，其中微控制器单元MCU通过驱动激光雷达发送和接收激光采集室内环境的点云信息, 驱动双目深度相机获取物体到相机的距离信息，并通过A/D转换将激光雷达和深度相机生成的电压、电流等连续变化的模拟信号转换为数字信号，经MCU处理为地图信息数据。

[0055] 在一个实施例中，构建室内地图：通过激光和视觉融合SLAM系统实时定位移动监测平台，并控制移动监测平台运动，全面扫描室内环境，同步构建室内地图，并将室内地图存储至激光和视觉融合SLAM系统+运动控制模块的存储器中。

[0056] 在一个实施例中，获取移动监测平台的定位：当移动监测平台完成未知环境的室内地图构建，或者上电后读取存储器中发现已有室内地图的相关数据后，立即通过激光和视觉融合SLAM系统定位移动监测平台在室内地图中的位置，并将其作为初始参考位置，为自主导航提供初始参考位置的信息。

[0057] 在一个实施例中，导航至下一采集节点：移动监测平台根据激光和视觉融合SLAM系统+运动控制模块的存储器中存储的巡检路径规划和采集节点位置，通过激光和视觉融合SLAM系统自主导航，并控制转向舵机和直流电机使移动监测平台运动至下一个采集节点位置。

[0058] 在一个实施例中，采集并存储环境参数：当移动监测平台到达采集节点后，环境参数采集模块如图3所示，平台驱动温湿度传感器、CO传感器、CO2传感器，采集环境温度、湿度、CO、CO2等环境参数数据生成电压、电流等连续变化的模拟信号，并通过A/D转换将传感器采集生成的各种模拟信号转化为数字信号，经MCU处理后生成实际的环境参数数据，并存储至存储器中对应的采集节点数据中。

[0059] 在一个实施例中，判断是否采集完所有采集节点：全面扫描存储器中所有的采集节点数据，判断是否所有采集节点都有对应的温度、湿度、CO、CO2等参数数据。若是说明已采集完所有采集节点，则开始进行数据无线传输，否则移动监测平台继续导航至下一采集节点继续采集温度、湿度、CO、CO2等环境参数数据。

[0060] 在一个实施例中，数据无线传输：环境参数采集模块通过WIFI将所有采集节点的温度、湿度、CO、CO2等环境参数数据上传至物联网云平台和上位机服务器，实时可视化显示室内环境参数；激光和视觉融合SLAM系统+运动控制模块通过WIFI将所有采集节点的位置数据和室内地图上传至上位机服务器，上位机服务器基于Agglomerative层次聚类算法，优化采集不同种类环境参数的采集节点的数量和位置，根据优化后的采集节点结合目前成熟的全局巡检路径规划算法，更新巡检路径规划，并最终将优化后的采集节点的数量和位置、更新后的巡检路径规划数据通过WIFI下发给移动监测平台的激光和视觉融合SLAM系统+运动控制模块。

[0061] Agglomerative层次聚类算法是一种自底向上的聚类算法，首先将每个对象作为单独的簇开始，然后将距离较近的簇进行合并，通过不断地迭代合并出越来越大的簇，直至停止条件被满足，适用于各种类型的数据聚类问题。因此，本方案中设计了一种基于Agglomerative层次聚类算法的采集节点优化方法，如图6所示，上位机服务器可以根据传感器采集节点的位置和环境参数值，逐渐迭代优化传感器采集节点的数量和位置，从而实现更有效的环境参数数据采集和检测。

[0062] 在一个实施例中，基于Agglomerative层次聚类算法的采集节点优化流程第一步为接收采集节点数据：上位机服务器接收移动监测平台通过WIFI无线传输的数据，包括所各采集节点的位置和传感器采集到的温度、湿度、CO、CO2等环境参数数据，并将其存入数据库中。其中，每个数据点应包含采集节点的位置横坐标x、位置纵坐标y以及对应的环境参数（例如温度）坐标z，即数据点坐标应为三维坐标（x, y, z）。

[0063] 基于Agglomerative层次聚类算法的采集节点优化流程第二步为计算数据点距离矩阵：一般来说，两个数据点之间的相似度通过距离来度量，常用的距离度量方法包括欧式距离、曼哈顿距离、夹角余弦等，其中欧式距离在低维数据并且距离大小对于判断相似度很重要的场景中效果较好。但是，若直接用数据点坐标（x, y, z）计算欧氏距离，由于数据点包括的x位置横坐标、y位置纵坐标、z环境参数各自的大小范围不一样，会使x、y、z对计算出来的距离的贡献（权重）不一样；而且当更换环境后，因为室内环境尺寸和环境影响因素发生变化，数据点x位置横坐标、y位置纵坐标、z环境参数各自的范围和计算的欧氏距离的范围也会随之改变，导致在不同环境中要确定不同的聚类合并的判断条件（比如距离阈值）。

[0064] 因此，在本方案提出的采集节点优化方法中，选择采用归一化后的欧氏距离作为度量第i个数据点到第j个数据点的距离：

[0065]

[0066] 解决数据点不同维度之间范围差异导致的对距离计算的权重不一致问题，使得每个维度对距离计算的贡献相对均衡，其中，（xi, yi, zi）表示第i个数据点坐标，（xj, yj, zj）表示第j个数据点坐标，xmax表示最大的x坐标，ymax表示最大的y坐标，zmax表示最大的z坐标，xmin表示最小的x坐标，ymin表示最小的y坐标，zmin表示最小的z坐标；同时也可以让距离的范围在不同环境中保持一致，更容易地选择统一的距离阈值作为聚类合并的判断条件，更好地适应不同环境下的采集节点优化过程，增强算法的稳定性和可扩展性。

[0067] 接着，计算所有数据点（n个）两两之间的距离，从而得到数据点距离矩阵：

[0068]

[0069] 数据点距离矩阵Md为 阶对称方阵，且对角线上均为0，这是因为数据点i到数据点j的距离 等于数据点j到数据点i的距离 ，同时数据点i到自己的距离 为0，故对角线上全为0。

[0070] 基于Agglomerative层次聚类算法的采集节点优化流程第三步为：初始化聚类：将每个数据点看作一个单独的聚类簇，共得到n个聚类簇，同时定义一个反映聚类簇之间距离的聚类簇距离矩阵MD，初始化聚类完成时MD=Md。其中，Dij表示第i个聚类簇到第j个聚类簇之间的距离。

[0071]

[0072] 基于Agglomerative层次聚类算法的采集节点优化流程第四步为聚类合并：根据聚类簇距离矩阵MD，选择距离最近且小于距离阈值distance_threshold的两个聚类簇（假设为簇CA和C）B 进行合并，先将簇CB的数据点合并到簇CA中，然后在数据合并完成后去除簇CB。显然，随着聚类簇的合并，簇中会包含不止一个数据点，因此聚类簇之间的距离DAB无法再用两个数据点的距离dij来度量，于是采用均链接(Average‑linkage)方式来度量聚类簇之间的距离DAB。Average‑linkage方式是指使用两个聚类簇中所有数据点之间距离的平均值来衡量两个簇之间的相似度（距离），即

[0073]

[0074] （其中m1、m2分别为聚类簇CA、CB中包含的数据点个数）。

[0075] Average‑linkage方式对于聚类簇，能够相对均衡地对待簇内所有数据点，不会过于强调最大距离或最小距离，不会过分强调聚类簇中最远或最近的数据点，对于初始参考位置的选择相对不那么敏感，更加稳定可靠，具有较好的鲁棒性；同时因为Average‑linkage方式计算距离时，考虑了簇内所有数据点的平均值，更好地表示簇内数据点的共性和特征，从而形成较为均衡且规整的聚类簇，提高聚类结果的适应度，有助于更准确地反映室内环境不同区域的环境参数分布情况。因此使用Average‑linkage方式来计算簇之间的距离，在室内地图的环境参数数据采集和检测场景中，可以有效地实现传感器采集节点的优化布局，提高数据采集效率和准确性，确保覆盖室内环境并优化数据采集效率。

[0076] 基于Agglomerative层次聚类算法的采集节点优化流程第五步为更新聚类簇距离矩阵：在每次合并后，首先聚类簇的总个数k自减1，接着在聚类簇距离矩阵中，去除簇CB的所在行和所在列，并计算簇CA和簇CB合并后的簇CA与其他聚类簇之间的距离, 更新CA的所在行和所在列的值。

[0077] 基于Agglomerative层次聚类算法的采集节点优化流程第六步为重复聚类合并：不断重复第四步和第五步，直到满足预先设定或自定义的停止条件，类簇之间的距离均大于距离阈值，即聚类簇距离矩阵MD中除了对角线上的元素，其他元素的值均大于距离阈值。

[0078] 基于Agglomerative层次聚类算法的采集节点优化流程第七步为最优采集节点确定：根据最终的聚类结果，确定优化后的采集节点数量为聚类簇的总个数k，根据每个聚类簇中包含的所有数据点（假设为m个）的位置横坐标x、位置纵坐标y，xm表示第m个数据点的x坐标, ym表示第m个数据点的y坐标，计算每个聚类簇的中心位置

[0079] 将其作为优化后的采集节点位置，从而确保按照优化后采集节点的数量和位置进行布局和部署，仍能够充分反映整个区域的环境参数分布特征。

[0080] 基于Agglomerative层次聚类算法的采集节点优化流程第八步为数据无线传输：通过WIFI将优化后的所有采集节点的位置下发至移动监测平台的激光和视觉融合SLAM系统+运动控制模块，完成采集节点的更新。并基于更新优化后的采集节点的位置，使用现有成熟的全局巡检路径规划算法，更新巡检路径规划，同样通过WIFI将巡检路径规划下发给移动监测平台的激光和视觉融合SLAM系统+运动控制模块，完成巡检路径规划的更新。

[0081] 基于Agglomerative层次聚类算法的采集节点优化流程第九步为周期性优化更新：在该系统运行期间，随着季节和每天时间有节律性的改变，可能使环境产生规律性的变化，因此可以周期性地重复上述步骤，基于上述Agglomerative层次聚类算法优化采集节点的方法，处理数据库中存储的历史数据，得到不同季节和每天不同时间段下，传感器采集节点最优的数量和位置，以适应不断变化的环境需求。

[0082] 需要注意的是，上述流程图中数据点中的信息(x, y, z)中只包含某一个类型的环境参数值z，因此要根据需要检测的环境参数的种类，依次轮流使用该方法优化采集不同类型环境参数的采集节点的数量和位置，例如针对环境中要检测的温度、湿度、CO、CO2这4类环境参数，要分别以这4类环境参数的值作为上述算法的数据点(x, y, z)中的z值，进行4次不同类型环境参数的采集节点优化，最终得到温度、湿度、CO、CO2采集节点各自优化后的数量和位置。

[0083] 在一个实施例中，等待下一次巡检：移动监测平台完成一轮室内环境参数的巡检后，通过激光和视觉融合SLAM系统导航返回初始参考位置，等待用户设置的巡检周期时间间隔后，开始下一次巡检。

[0084] 本发明的提供的一种自动化检测室内环境参数的方案，通过激光和视觉融合SLAM系统技术和Agglomerative层次聚类算法自动优化室内环境参数检测中采集节点的数量和位置，基于优化后的采集节点更新巡检路径规划，实现在不同的未知环境中移动监测平台均可自动化检测室内环境参数，无需人为干预。

[0085] 在一个实施例中，在室内家居环境的一个房间中（装有一扇门、一扇窗户、一台空调和一台供暖设备），需要一个自动检测室内环境中的温度、湿度、CO、CO2等参数的方案，以提供一个舒适、安全的家居环境。

[0086] 在一个实施例中，将本发明中的移动监测平台放置在室内环境中，首先通过激光和视觉融合SLAM系统+运动控制模块上的按键清空存储器中可能已有的室内地图，移动监测平台会识别到处于一个未知环境中，通过激光雷达和双目视觉相机开始扫描环境，获取室内地图数据，之后激光和视觉融合SLAM系统对移动监测平台实时定位并同步构建室内地图。

[0087] 在一个实施例中，完成室内地图构建后，移动监测平台利用激光和视觉融合SLAM系统获取移动监测平台在室内地图中的定位，根据存储器中存储的巡检路径和采集节点位置导航至下一采集节点。由于是首次构建室内地图，存储器中没有巡检路径规划和采集节点位置，此时微控制器单元MCU会根据室内地图的结构和尺寸，结合相关算法生成默认的巡检路径规划和采集节点位置，且为避免遗漏室内中一些环境参数特征的采集节点（例如CO浓度比较高的煤气管道附近，温度较高的取暖设备附近），在硬件设备的工作范围内要尽可能设置更多的采集节点。

[0088] 在一个实施例中，到达采集节点后，移动监测平台驱动传感器采集并存储温度、湿度、CO、CO2等环境参数，并在每次采集完成后判断是否已采集完所有采集节点。完成采集后通过WIFI将所有采集节点的数据上传至上位机服务器，上位机服务器结合Agglomerative层次聚类算法优化采集节点的数量和位置，重新规划巡检路径，并下发至移动监测平台进行更新；同时通过WIFI将所有采集节点的数据上传至物联网云平台，实时可视化显示室内环境参数，设置环境参数阈值报警，用户可以远程实时查看和接收报警信息，并调用移动监测平台的相机查看室内实时图像。

[0089] 在一个实施例中，现有的可移动机器人搭载传感器巡检方案需要沿着长边将房间划分为前方、中间、后方三个区域，再在每个区域中沿着短边布置至少3个采集节点，房间中总共至少9个采集节点，来反映室内房间环境状况。相比较下，本方案中上位机服务器会根据移动监测平台采集到的环境参数，结合Agglomerative层次聚类算法，优化采集节点的数量和位置，将采集节点布置在房间中央、门、窗户、空调、供暖设备位置附近，从而将房间中的采集节点缩减至5个，并能够充分反映室内环境参数分布特征，提升了检测效率和有效性，降低了移动监测平台的能源消耗和巡检时间成本。

[0090] 在一个实施例中，移动监测平台完成一轮室内环境参数的巡检后，通过激光和视觉融合SLAM系统导航返回初始参考位置，在一定的巡检周期时间间隔后，开始下一次巡检。

[0091] 在一个实施例中，用户可以根据自己的习惯和需求，通过WIFI手机连接到移动监测平台和上位机服务器，自定义设置巡检周期时间间隔，调整优化采集节点方法中的距离阈值来增加或减少采集节点的数量等功能。

[0092] 在一个实施例中，通过自动优化传感器采集节点数量和位置，以及基于优化后的采集节点更新巡检路径规划，该方案可以有效减少冗余的采集节点，同时对于不同采集节点的某个环境参数的检测无需布置多个传感器。这样可以节约移动监测平台的能源消耗和传感器设备的数量，降低系统的成本和维护负担。

[0093] 在一个实施例中，室内环境参数采集节点的数量和位置是通过采集到的实际数据结合聚类算法处理、分析、优化后得到，不再是人工根据自身经验去选择，因此确保优化后的采集节点能够反映室内环境参数分布特征。同时传统的室内环境参数检测通常需要手动选择传感器节点的数量和位置，这可能需要大量的试错和调整，而该方案是根据实时定位和室内地图构建信息，动态调整采集节点的布局，提升检测效率和有效性。

[0094] 在一个实施例中，该方案中传感器采集节点的数量和位置可以根据实际需求进行自动调整和优化，不需要人工干预。系统可以适应不同的未知环境和人为需求的变化，随时进行采集节点布局的调整和巡检路径规划的更新，增加灵活性。

[0095] 虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。