Het nauwkeurig lokaliseren van gaslekken vormt een aanzienlijke uitdaging voor autonome robots. Omdat omgevingsfactoren zoals wind de verspreiding van gassen beïnvloeden, bevindt de hoogste concentratie van een stof zich vaak niet op de exacte plek van de bron. Om dit probleem aan te pakken, hebben Faith Ogunwoye en haar team een nieuwe simulatiepijplijn ontwikkeld genaamd SmellDiffusion.
Volgens een wetenschappelijke publicatie op arxiv.org maakt dit systeem gebruik van zogenaamde 'olfactory scene graphs'. Dit is een open-vocabulary methode waarmee specifieke chemische zones in kaart kunnen worden gebracht. De innovatie van SmellDiffusion schuilt in de integratie van klassieke planners met diffusion-based planners, die gezamenlijk werken om de meest waarschijnlijke locatie van een gaslek te bepalen.
Een essentieel onderdeel van deze technologie is de 'peak-local geometric gate'. Dit mechanisme is specifiek ontworpen om fouten in de bronlokalisatie te corrigeren. In de praktijk blijkt namelijk dat de waargenomen piek in gasconcentratie vaak afwijkt van de werkelijke bron. Uit de data in de blijkt dat bij 28 van de 424 geteste scenario's de concentratiepiek meer dan een halve meter verschoven was ten opzichte van de feitelijke leklocatie.
De introductie van deze geometrische correctie heeft geleid tot een meetbare verbetering van de precisie. In situaties waar de bron verschoven was, daalde de gemiddelde foutmarge van 1,468 meter naar 0,592 meter, wat een reductie van 60% betekent. Wanneer men kijkt naar alle geteste gevallen, zakte de gemiddelde fout van 0,205 meter naar 0,180 meter, zoals beschreven in het .
Naast nauwkeurigheid is ook de snelheid van de navigatie geanalyseerd. De 'best-of-ten' diffusion-methode presteerde qua gasblootstelling bijna gelijk aan de gas-guided A-planner. Op het gebied van responstijd bleek een enkel diffusion-voorstel met 41,7 milliseconde sneller te zijn dan de gas-guided A-planner, die 72,3 milliseconden nodig had. De standaard A*-methode bleef echter de meest efficiënte optie voor het vinden van de kortste route.
De theoretische bevindingen werden verder gevalideerd via zes testruns in de Gazebo-simulatieomgeving. Hieruit kwam naar voren dat de diffusion-methode een gemiddelde fout van 0,31 meter behaalde, terwijl de A*-methode een grotere foutmarge van 0,39 meter vertoonde. Deze resultaten, die in september 2026 zijn vastgelegd in de , suggereren dat de combinatie van geometrische correctie en diffusie-trajecten een robuuste oplossing biedt voor robots die in gevaarlijke omgevingen moeten opereren.
Hoewel de focus van het project ligt op de balans tussen snelheid en precisie, biedt SmellDiffusion een veelbelovend kader voor het beheersen van onvoorspelbare gasstromen in fysieke ruimtes. Door de onbetrouwbaarheid van eenvoudige concentratie-volgmethoden te omzeilen, kunnen vierpotige robots effectiever worden ingezet voor veiligheidsinspecties.