紅火蟻，農業的“頭號反派”，不僅咬人，還會啃電線、引發火災，連國家都高度重視它的防治?？涩F有的除蟻手段精準度不高、效率低，根本趕不上紅火蟻的擴張速度。

于是，“基于AI視覺和自主探索導航的紅火蟻防治機器人”登場！它能自主巡邏、精準識別、智能除蟻，像紅火蟻的天敵一樣持續對抗，讓蟻患問題大大減少。目標很簡單：讓紅火蟻少折騰，讓農田、社區更安心！————深圳大學：蟻嵌是蟻嵌，蟹仔是蟹仔團隊。

一、創新與特色

1.1 作品特色

這款AI紅火蟻防治機器人集視覺識別、自主導航、智能投放于一身，像個專業的“除蟻特工”，精準、高效、穩準狠！

• 火眼金睛 ：高性能攝像頭+AI視覺，精準鎖定紅火蟻巢穴，探測又快又準！
• 智能導航 ：自主規劃路線，LIDAR+IMU傳感器加持，無論是農田、草地還是崎嶇地形，輕松穿越！
• 機械臂投放 ：多自由度機械臂+高精度舵機，精準投放餌劑，讓紅火蟻“無處可逃”。
• 履帶底盤 ?：避震+月球車結構，翻山越嶺不在話下，顛簸地形穩得?。?/li>
• 云端大腦 ??：數據實時上傳分析，研究紅火蟻動向，優化防治策略，滅蟻更科學！

1.2 創新點

• 懸掛避震系統 ：8個避震器，保證機器人“跑得穩，不傷身”。
• 月球車級底盤 ：前端采用“被動搖臂”結構，崎嶇路面不減速，穩健行駛無壓力。
• 機械臂+負壓吸泵 ：精準吸取餌劑，投放時閉環控制，確保百發百中。
• 智能履帶控制 ?：硬件軟件高度協同，精準巡航，自動調整路線直奔蟻巢。
• YOLO-SRC改良算法 ：專門優化移動識別，小小蟻巢也逃不過它的眼睛！
• 餌劑精準投放 ：智能控制餌劑用量，確保滅殺率的同時不浪費，每一顆餌劑都物盡其用

二、功能

2.1 功能與特性

• 智能巡航 ?：基于ROS系統，小車可按照用戶設定的全局航點，實時構建3D點云地圖，自主探索、避障、識別紅火蟻巢穴。
• 精準滅殺 ：機器人靠近蟻巢后，機械臂+負壓吸泵吸取餌劑，利用視覺識別進行矯正，確保餌劑精準投放，不浪費、不誤傷。
• 生態友好 ：餌劑投放量智能控制，既提高滅殺效率，又避免生態污染，不傷害本地蟻種。
• 遠程監控 ：巡邏路徑和滅殺記錄可在Web端 & App端可視化，隨時掌控滅蟻進度！
• 智能預測 ：云端大模型根據現有數據預測未搜索區域的蟻巢分布，為機器人規劃搜索路線，高效清除隱患。

2.2 設計流程

首先，確定項目背景，強調紅火蟻的危害和現有防治手段的不足。然后，進行需求分析，明確人工巡查和市場產品的局限性。接著，提出機器人設計方案，包括履帶底盤、機械臂和電控系統。履帶底盤采用避震器和月球車機械結構，提升越野性能；機械臂通過高精度舵機和視覺識別實現精確餌劑投放。最后，機器人通過自主導航和云端數據整合，實現高效紅火蟻巢穴探測和滅殺，達到智能化防治的目標。

三、系統實現

3.1總覽

小車可沿預定巡航路線精準滅殺紅火蟻巢穴，也可在劃定的GPS區域內優先覆蓋疫情高風險地區進行搜索滅殺。

滅殺過程：小車依靠機械底座靠近蟻巢，機械臂配合負壓吸泵吸取餌劑，并通過視覺識別和電控系統精準投放，確保滅殺效率，同時降低生態污染，避免對本地蟻種造成破壞。

小車的巡視路徑與滅殺數據將通過Web端和App端可視化展示，同時云端預測模型基于已有蟻巢信息，推測未搜索區域的蟻巢分布，引導小車優化搜索策略。

小車采用“生物防治”理念，打造紅火蟻的“機械天敵”，依靠高識別率、高效搜索和云端數據整合，實現對紅火蟻種群的長期控制，降低其對生態與經濟的影響。

3.2 硬件系統介紹

3.2.1 硬件整體介紹

電控系統包括履帶底盤電機的控制與機械臂的控制，執行紅火蟻滅殺任務時，上位機i5主機發送速度信息到下位機，下位機驅動履帶小車機械底座靠近蟻巢，控制機械臂和末端負壓吸泵模塊吸取餌劑，并通過視覺識別矯正使機械臂置于蟻巢上方，而后投放餌劑。

3.2.2 機械設計介紹

A．機器底座

本文的紅火蟻防治機器人采用履帶結構的月球車動力結構，通過電機帶動履帶驅動車體移動。

a)避震器系統

我們在底盤上增加了8個避震器，旨在提升車輛的越野性能，并保護車上的設備不受顛簸影響。當遇到不平穩的地面時，從動輪受到向上的壓力，被迫向上移動，并讓車身晃動，而避震器此時就可以給從動輪提供向下的壓力，使從動輪與履帶緊密貼合，履帶與地面緊密接觸，并且這些避震器能夠有效地吸收地面震動，減少車身晃動，提供更穩定的行駛體驗。

b)類似月球車底盤機械結構

底盤前部兩個從動輪之間采用了類似于月球車的機械結構，即“被動搖臂”型底盤。搖臂固定在連桿構成的懸架上，增強了整體的懸掛性能，使車輛在不平地形中能夠更靈活地行駛。在遇到碎石地帶時，底盤前部會有一定的自主調整性，在允許的范圍內，可以改變履帶與地面的接觸面積，從而增加小車翻越障礙的能力。

c)餌料箱主體設計

采用誘餌箱作為底盤的主體結構，將變壓器和電池放置在箱體下方，以節省空間并保護其免受外部損壞。箱體設計采用了兩邊高中間低的設計，使誘餌粉末能夠集中到中間位置，便于收集和使用。我們設計了有效的固定機制，確保大電池和大電機能夠牢固地固定在底盤上，不會因為顛簸而移位或損壞。

d)強化越野性能的履帶設計

我們針對地形復雜的野外環境，對履帶進行了優化設計，使其更好地適應各種地形。這包括增加了履帶的寬度和厚度，以增加對不平地形的穩定性和抓地力，從而減少小車的側翻概率，提升車輛的越野爬坡能力。

B．機械臂設計

機械臂運動系統是由三個總線舵機、機械外殼組成三自由度機械臂，我們采用了連桿和集中舵機的方式來驅動機械臂，這種方式可以極大的減輕機械臂末端的壓力負荷，并且將重力全部集中在小車底盤上，使得小車重心更穩。機械臂旁會有一個類似卡扣的結構將輸送固體顆粒的軟管給扣緊，在深度相機旁會有一個吸泵，將固體顆粒吸上來并放射出去，深度相機對紅火蟻巢穴進行識別，一旦識別出紅火蟻，上位機通過串口發送轉動位置信息給到總線舵機調試板，總線舵機調試板將接收的信息轉化為 PWM 波驅動舵機進行精準的角度轉動，對準巢穴后，打開吸泵吸起毒藥，電機關閉時倉門打開，農藥落下，殺死紅火蟻。

機械臂大體分為三部分，分別是機械臂底部運動模塊，大臂運動模塊，小臂運動模塊。

a)機械臂底部運動模塊：

機械臂整個壓在機械臂底盤固定件，使底部齒輪完美配合，移動盤在邊邊有三個螺紋孔，這三個螺紋孔與螺桿式萬向球配合，他們的位置形成三角形，有效地避免機械臂會因重心不穩而傾斜。在舵機的作用下，齒輪會帶動從動齒輪旋轉，移動盤與舵機在齒輪的帶動下進行旋轉，移動盤中間會有一個軸承，可以極大地減少摩擦并旋轉得更加順利。

b)大臂運動模塊：

一對大臂配合，中間的圓柱孔可以讓紅火蟻餌料輸送管嵌進去，從而避免輸送管暴露和損壞，舵機與大臂配合，可以控制機械臂大體的位置。

c)小臂運動模塊：

一對小臂配合，中間的圓柱孔可以讓紅火蟻餌料輸送管嵌進去，從而避免輸送管暴露和損壞，舵機與曲柄相連，曲柄與連桿相配合，連桿與小臂相配合，舵機運動，可以使曲柄控制連桿，進而讓連桿精準控制小臂的位置，使機械臂末端的達到目標點。

圖9 機械臂設計拆解圖

3.2.3 電路各模塊介紹

下位機采用STM32F407VET6核心板。我們基于STM32F407VET6的拓展板，集成了繼電器模塊。

拓展板的功能主要是用來固定線材，由于在封裝庫中沒有找到合適的型號，所以利用了其他端口來替代，但是焊接的時候依舊是主要采用P2.54的端坐

另外的硬件設備：i5主機一臺（主要通過USB轉串口模塊通過串口與下位機通信），一塊RDKx3開發板。

我們以二塊STM32為核心的雙U系統架構，分別負責感知與關節驅動，PX4模塊采用STM32F427 Cortex M4為核心處理器，主要負責感知模塊的驅動與數據的運算，并將處理好的信息上傳CPU處理，STM32F407VET6自定義模塊自主打板，主要負責驅動動力關節。

3.3 導航感知系統介紹

3.3.1整體介紹

導航感知由本地的自主探索導航、手動規劃的大致巡航航點和范圍劃定的風險驅動導航融合構成。

3.3.2 導航感知各模塊介紹（簡化版）

A. SLAM

SLAM（同步定位與地圖構建）用于讓設備在未知環境中同時進行自身定位與環境地圖構建。它通過相機、激光雷達、IMU等傳感器收集環境信息，并利用算法融合這些數據，確定設備位置并生成地圖。

LOAM 是經典的激光 SLAM 算法，主要包含點云特征提取、激光里程計、地圖構建三個模塊。它通過提取點云的邊緣點和平面點進行匹配，實現高效定位與建圖。在此基礎上，LEGO-LOAM 通過地面點分割減少計算量，并引入閉環模塊降低長期漂移。

由于 LOAM 依賴激光雷達掃描，長時間運行后易產生漂移，因此多傳感器融合 SLAM 成為趨勢。IMU 可提供高頻率的角速度與加速度數據，結合 GPS 進行融合，提高系統魯棒性。

主流融合方式有 松耦合（分別處理 IMU 和 LiDAR 數據后融合）和 緊耦合（直接融合 LiDAR 原始特征點與 IMU 數據）。LIO-SAM 采用緊耦合策略，通過 IMU 預積分校正激光點云畸變，并結合 GPS 與閉環檢測，最終實現高精度、低漂移的魯棒定位與建圖。

為了更好地實現定位與建圖效果，我們將ALOAM、LeGO-LOAM與LIO-SAM三種主流SLAM算法進行對比并評估性能。經過實驗，我們發現LIO-SAM算法與前兩者相比，細節更加豐富，同時建圖范圍更廣。ALOAM算法在X軸上擬合較好，但是在Y軸和Z軸上誤差較大。LeGO-LOAM算法在X軸和Y軸上擬合較好，但是在Z軸上嚴重偏離真實軌跡。LIO-SAM算法則在三個方向上擬合效果都優于其他兩種算法，不過波動較大，有可能是受到IMU標定影響，但是曲線趨勢方向大致正確。

最終我們決定采用LIO-SAM算法作為機器人SLAM算法。

B. FAR Planner 自主導航框架（簡化版）

FAR (Fast, Attemptable Route) Planner 是一種實時路徑規劃算法，可根據傳感器數據動態提取環境幾何特征，并構建 Visibility Graph 進行導航。它無需預先構建地圖，可在 1-2ms 內完成 300m 范圍的全局路徑規劃與動態調整。

算法流程：

1. 環境建模：將點云轉換為二進制圖像，并使用平均濾波生成模糊圖像。
2. 特征提取：從模糊圖像中提取多邊形輪廓，并與傳感器數據匹配。
3. 動態避障：通過多幀數據檢測行人、車輛等動態障礙物，并實時更新 V-Graph，當障礙物移開時恢復原有路徑連接。
4. 未知環境探索：在無先驗地圖的環境中，FAR Planner 可基于當前信息生成多條可行路徑嘗試，并持續優化導航路線。

這一框架使小車能在復雜環境下進行高效、自主的動態導航。

C. 基于GIS地圖的航點規劃（簡化版）

為提升紅火蟻疫情防治效率，本系統基于 GIS地圖路徑規劃 進行航點優化。云端整合 小車巡視路徑、紅火蟻巢穴信息、歷史疫情數據 等多源數據，利用預測模型估算未搜尋區域的蟻巢分布概率。

航點規劃核心算法 綜合考慮 已知巡視路徑、蟻巢分布、風險等級、用戶優先級 等因素，并結合實時數據 動態調整最優航點。云端生成航點后，通過 物聯網 傳輸至小車，小車接收導航指令后自主巡視。

巡視過程中，小車 實時上傳路徑、蟻巢信息 等數據，云端系統分析后即時調整航點，以適應環境變化，確保巡視策略最優

D. YOLO-SRC視覺目標定位算法（簡化版）

在 過曝、遮擋、運動模糊 等干擾嚴重的戶外環境中，蟻巢檢測面臨挑戰。我們開發的 YOLO-SRC 算法基于 YOLOv4 改進，結合 合成噪聲數據 與 對比學習一致性對齊 訓練方法，提高了蟻巢檢測的魯棒性與準確性。

核心優化點：

1. 特征提取網絡優化 —— 增強微小目標特征捕捉，提高識別精度。
2. 多尺度特征融合 —— 融合不同層級特征，提升檢測性能。
3. 數據增強與對齊訓練 —— 通過 JSD散度損失 使模型在不同噪聲域下預測對齊，增強抗干擾能力。

目標定位流程：

• RGBD雙目相機 采集圖像，YOLO-SRC輸出目標檢測框。
• 對齊Depth圖，利用均值濾波去噪，獲取目標中心深度。
• 矩陣映射 將像素坐標轉換為 機器人坐標系，實現 蟻巢空間位姿估計。

3.4.2 軟件各模塊介紹

后端設計介紹:

使用 Tornado 框架處理高并發和長連接請求，負責數據交互和 API 接口提供，功能模塊包括：

• 軌跡展示處理器：讀取機器人運行軌跡數據（經緯度），通過高德地圖API在前端展示。
• 標記點處理器：處理紅火蟻巢標記點的操作，包括添加、更新和獲取標記點數據。
• 區域選擇處理器：查詢并返回用戶選擇區域內的紅火蟻巢數量。
• 熱力圖處理器：返回紅火蟻巢位置數據，前端生成熱力圖展示。
• 圖表可視化處理器：處理天氣、機器人狀態、溫濕度及蟻巢統計數據，生成圖表進行展示。
• 登錄登出功能及攔截器：負責用戶認證、會話管理和權限控制，確保系統安全。

前端設計介紹:

前端使用 高德地圖API 實現機器人軌跡、紅火蟻巢標記和熱力圖的可視化，功能模塊包括：

• 軌跡展示：在高德地圖上展示機器人軌跡，通過經緯度描點成線，并提供軌跡的顯示與隱藏控制功能。

• 標記點展示：在地圖上標記紅火蟻巢位置，點擊標記點顯示詳細信息（照片、經緯度、發現時間等）。

• 區域選擇：用戶可以選擇特定區域，系統查詢該區域內所有紅火蟻巢數量，并在地圖上進行展示。

• 熱力圖：生成紅火蟻巢分布的熱力圖，顯示蟻巢密位置分布以及密度情況，蟻巢越密集，顏色越深。

• 圖表可視化：展示未來天氣預報、機器人運行狀態、溫濕度及紅火蟻巢統計信息的圖表。

五、性能一覽

1 部分機械結構采用PLA材料打印，部分機械結構采用pla-CF材料打印。打印密度均大于80%。

2. 殺蟻餌料載重達40kg

3 機器人巡航續航達4小時

4 最高速度1m/s

5 視覺識別精準，高達92%以上

指導老師：張博

深圳大學機電與控制工程學院研究員，博士生導師，深圳市高層次人才，現任人工智能與數字經濟廣東省實驗室(深圳)主任助理，深圳市自主無人系統與智能操作聯合實驗室主任。主要從事的科研方向包括：空間智能、自主智能、具身智能與智能無人系統及其應用。歷任深圳大學機電與控制工程學院自動化系主任，學科辦公室副主任，機器人工程專業負責人。兼任《Energy Review》青年編輯，TIE、TIC、ISA、IET、Sensors、Journal of the Franklin Institute等期刊審稿人。作為項目負責人主持國家級項目8項，省市級項目3項。以第一/通訊作者發表論文20余篇，其中TOP期刊論文4篇，出版專著 1 部，授權專利20余項。