RDK赋能“蚁界天敌”：AI巡逻兵24小时在线！红火蚁无处遁形！

红火蚁，农业的“头号反派”，不仅咬人，还会啃电线、引发火灾，连国家都高度重视它的防治。可现有的除蚁手段精准度不高、效率低，根本赶不上红火蚁的扩张速度。

于是，“基于AI视觉和自主探索导航的红火蚁防治机器人”登场！它能自主巡逻、精准识别、智能除蚁，像红火蚁的天敌一样持续对抗，让蚁患问题大大减少。目标很简单：让红火蚁少折腾，让农田、社区更安心！————深圳大学：蚁嵌是蚁嵌，蟹仔是蟹仔团队。

一、创新与特色

1.1 作品特色

这款AI红火蚁防治机器人集视觉识别、自主导航、智能投放于一身，像个专业的“除蚁特工”，精准、高效、稳准狠！

• 火眼金睛 ：高性能摄像头+AI视觉，精准锁定红火蚁巢穴，探测又快又准！
• 智能导航 ：自主规划路线，LIDAR+IMU传感器加持，无论是农田、草地还是崎岖地形，轻松穿越！
• 机械臂投放 ：多自由度机械臂+高精度舵机，精准投放饵剂，让红火蚁“无处可逃”。
• 履带底盘 ️：避震+月球车结构，翻山越岭不在话下，颠簸地形稳得住！
• 云端大脑 ☁️：数据实时上传分析，研究红火蚁动向，优化防治策略，灭蚁更科学！

1.2 创新点

• 悬挂避震系统 ：8个避震器，保证机器人“跑得稳，不伤身”。
• 月球车级底盘 ：前端采用“被动摇臂”结构，崎岖路面不减速，稳健行驶无压力。
• 机械臂+负压吸泵 ：精准吸取饵剂，投放时闭环控制，确保百发百中。
• 智能履带控制 ️：硬件软件高度协同，精准巡航，自动调整路线直奔蚁巢。
• YOLO-SRC改良算法 ：专门优化移动识别，小小蚁巢也逃不过它的眼睛！
• 饵剂精准投放 ：智能控制饵剂用量，确保灭杀率的同时不浪费，每一颗饵剂都物尽其用

二、功能

2.1 功能与特性

• 智能巡航 ️：基于ROS系统，小车可按照用户设定的全局航点，实时构建3D点云地图，自主探索、避障、识别红火蚁巢穴。
• 精准灭杀 ：机器人靠近蚁巢后，机械臂+负压吸泵吸取饵剂，利用视觉识别进行矫正，确保饵剂精准投放，不浪费、不误伤。
• 生态友好 ：饵剂投放量智能控制，既提高灭杀效率，又避免生态污染，不伤害本地蚁种。
• 远程监控 ：巡逻路径和灭杀记录可在Web端 & App端可视化，随时掌控灭蚁进度！
• 智能预测 ：云端大模型根据现有数据预测未搜索区域的蚁巢分布，为机器人规划搜索路线，高效清除隐患。

2.2 设计流程

首先，确定项目背景，强调红火蚁的危害和现有防治手段的不足。然后，进行需求分析，明确人工巡查和市场产品的局限性。接着，提出机器人设计方案，包括履带底盘、机械臂和电控系统。履带底盘采用避震器和月球车机械结构，提升越野性能；机械臂通过高精度舵机和视觉识别实现精确饵剂投放。最后，机器人通过自主导航和云端数据整合，实现高效红火蚁巢穴探测和灭杀，达到智能化防治的目标。

 

 

 

三、系统实现

3.1总览

小车可沿预定巡航路线精准灭杀红火蚁巢穴，也可在划定的GPS区域内优先覆盖疫情高风险地区进行搜索灭杀。

灭杀过程：小车依靠机械底座靠近蚁巢，机械臂配合负压吸泵吸取饵剂，并通过视觉识别和电控系统精准投放，确保灭杀效率，同时降低生态污染，避免对本地蚁种造成破坏。

小车的巡视路径与灭杀数据将通过Web端和App端可视化展示，同时云端预测模型基于已有蚁巢信息，推测未搜索区域的蚁巢分布，引导小车优化搜索策略。

小车采用“生物防治”理念，打造红火蚁的“机械天敌”，依靠高识别率、高效搜索和云端数据整合，实现对红火蚁种群的长期控制，降低其对生态与经济的影响。

 

 

3.2 硬件系统介绍

3.2.1 硬件整体介绍

电控系统包括履带底盘电机的控制与机械臂的控制，执行红火蚁灭杀任务时，上位机i5主机发送速度信息到下位机，下位机驱动履带小车机械底座靠近蚁巢，控制机械臂和末端负压吸泵模块吸取饵剂，并通过视觉识别矫正使机械臂置于蚁巢上方，而后投放饵剂。

3.2.2 机械设计介绍

A．机器底座

本文的红火蚁防治机器人采用履带结构的月球车动力结构，通过电机带动履带驱动车体移动。

 

 

a)避震器系统

我们在底盘上增加了8个避震器，旨在提升车辆的越野性能，并保护车上的设备不受颠簸影响。当遇到不平稳的地面时，从动轮受到向上的压力，被迫向上移动，并让车身晃动，而避震器此时就可以给从动轮提供向下的压力，使从动轮与履带紧密贴合，履带与地面紧密接触，并且这些避震器能够有效地吸收地面震动，减少车身晃动，提供更稳定的行驶体验。

 

 

b)类似月球车底盘机械结构

底盘前部两个从动轮之间采用了类似于月球车的机械结构，即“被动摇臂”型底盘。摇臂固定在连杆构成的悬架上，增强了整体的悬挂性能，使车辆在不平地形中能够更灵活地行驶。在遇到碎石地带时，底盘前部会有一定的自主调整性，在允许的范围内，可以改变履带与地面的接触面积，从而增加小车翻越障碍的能力。

 

 

c)饵料箱主体设计

采用诱饵箱作为底盘的主体结构，将变压器和电池放置在箱体下方，以节省空间并保护其免受外部损坏。箱体设计采用了两边高中间低的设计，使诱饵粉末能够集中到中间位置，便于收集和使用。我们设计了有效的固定机制，确保大电池和大电机能够牢固地固定在底盘上，不会因为颠簸而移位或损坏。

d)强化越野性能的履带设计

我们针对地形复杂的野外环境，对履带进行了优化设计，使其更好地适应各种地形。这包括增加了履带的宽度和厚度，以增加对不平地形的稳定性和抓地力，从而减少小车的侧翻概率，提升车辆的越野爬坡能力。

B．机械臂设计

机械臂运动系统是由三个总线舵机、机械外壳组成三自由度机械臂，我们采用了连杆和集中舵机的方式来驱动机械臂，这种方式可以极大的减轻机械臂末端的压力负荷，并且将重力全部集中在小车底盘上，使得小车重心更稳。机械臂旁会有一个类似卡扣的结构将输送固体颗粒的软管给扣紧，在深度相机旁会有一个吸泵，将固体颗粒吸上来并放射出去，深度相机对红火蚁巢穴进行识别，一旦识别出红火蚁，上位机通过串口发送转动位置信息给到总线舵机调试板，总线舵机调试板将接收的信息转化为 PWM 波驱动舵机进行精准的角度转动，对准巢穴后，打开吸泵吸起毒药，电机关闭时仓门打开，农药落下，杀死红火蚁。

 

 

机械臂大体分为三部分，分别是机械臂底部运动模块，大臂运动模块，小臂运动模块。

a)机械臂底部运动模块：

机械臂整个压在机械臂底盘固定件，使底部齿轮完美配合，移动盘在边边有三个螺纹孔，这三个螺纹孔与螺杆式万向球配合，他们的位置形成三角形，有效地避免机械臂会因重心不稳而倾斜。在舵机的作用下，齿轮会带动从动齿轮旋转，移动盘与舵机在齿轮的带动下进行旋转，移动盘中间会有一个轴承，可以极大地减少摩擦并旋转得更加顺利。

b)大臂运动模块：

一对大臂配合，中间的圆柱孔可以让红火蚁饵料输送管嵌进去，从而避免输送管暴露和损坏，舵机与大臂配合，可以控制机械臂大体的位置。

c)小臂运动模块：

一对小臂配合，中间的圆柱孔可以让红火蚁饵料输送管嵌进去，从而避免输送管暴露和损坏，舵机与曲柄相连，曲柄与连杆相配合，连杆与小臂相配合，舵机运动，可以使曲柄控制连杆，进而让连杆精准控制小臂的位置，使机械臂末端的达到目标点。

图9 机械臂设计拆解图

3.2.3 电路各模块介绍

下位机采用STM32F407VET6核心板。我们基于STM32F407VET6的拓展板，集成了继电器模块。

拓展板的功能主要是用来固定线材，由于在封装库中没有找到合适的型号，所以利用了其他端口来替代，但是焊接的时候依旧是主要采用P2.54的端坐

 

 

 

另外的硬件设备：i5主机一台（主要通过USB转串口模块通过串口与下位机通信），一块RDKx3开发板。

我们以二块STM32为核心的双U系统架构，分别负责感知与关节驱动，PX4模块采用STM32F427 Cortex M4为核心处理器，主要负责感知模块的驱动与数据的运算，并将处理好的信息上传CPU处理，STM32F407VET6自定义模块自主打板，主要负责驱动动力关节。

 

 

3.3 导航感知系统介绍

3.3.1整体介绍

导航感知由本地的自主探索导航、手动规划的大致巡航航点和范围划定的风险驱动导航融合构成。

3.3.2 导航感知各模块介绍（简化版）

A. SLAM

SLAM（同步定位与地图构建）用于让设备在未知环境中同时进行自身定位与环境地图构建。它通过相机、激光雷达、IMU等传感器收集环境信息，并利用算法融合这些数据，确定设备位置并生成地图。

LOAM 是经典的激光 SLAM 算法，主要包含点云特征提取、激光里程计、地图构建三个模块。它通过提取点云的边缘点和平面点进行匹配，实现高效定位与建图。在此基础上，LEGO-LOAM 通过地面点分割减少计算量，并引入闭环模块降低长期漂移。

由于 LOAM 依赖激光雷达扫描，长时间运行后易产生漂移，因此多传感器融合 SLAM 成为趋势。IMU 可提供高频率的角速度与加速度数据，结合 GPS 进行融合，提高系统鲁棒性。

主流融合方式有 松耦合（分别处理 IMU 和 LiDAR 数据后融合）和 紧耦合（直接融合 LiDAR 原始特征点与 IMU 数据）。LIO-SAM 采用紧耦合策略，通过 IMU 预积分校正激光点云畸变，并结合 GPS 与闭环检测，最终实现高精度、低漂移的鲁棒定位与建图。

为了更好地实现定位与建图效果，我们将ALOAM、LeGO-LOAM与LIO-SAM三种主流SLAM算法进行对比并评估性能。经过实验，我们发现LIO-SAM算法与前两者相比，细节更加丰富，同时建图范围更广。ALOAM算法在X轴上拟合较好，但是在Y轴和Z轴上误差较大。LeGO-LOAM算法在X轴和Y轴上拟合较好，但是在Z轴上严重偏离真实轨迹。LIO-SAM算法则在三个方向上拟合效果都优于其他两种算法，不过波动较大，有可能是受到IMU标定影响，但是曲线趋势方向大致正确。

最终我们决定采用LIO-SAM算法作为机器人SLAM算法。

B. FAR Planner 自主导航框架（简化版）

FAR (Fast, Attemptable Route) Planner 是一种实时路径规划算法，可根据传感器数据动态提取环境几何特征，并构建 Visibility Graph 进行导航。它无需预先构建地图，可在 1-2ms 内完成 300m 范围的全局路径规划与动态调整。

算法流程：

1. 环境建模：将点云转换为二进制图像，并使用平均滤波生成模糊图像。
2. 特征提取：从模糊图像中提取多边形轮廓，并与传感器数据匹配。
3. 动态避障：通过多帧数据检测行人、车辆等动态障碍物，并实时更新 V-Graph，当障碍物移开时恢复原有路径连接。
4. 未知环境探索：在无先验地图的环境中，FAR Planner 可基于当前信息生成多条可行路径尝试，并持续优化导航路线。

这一框架使小车能在复杂环境下进行高效、自主的动态导航。

C. 基于GIS地图的航点规划（简化版）

为提升红火蚁疫情防治效率，本系统基于 GIS地图路径规划 进行航点优化。云端整合 小车巡视路径、红火蚁巢穴信息、历史疫情数据 等多源数据，利用预测模型估算未搜寻区域的蚁巢分布概率。

航点规划核心算法 综合考虑 已知巡视路径、蚁巢分布、风险等级、用户优先级 等因素，并结合实时数据 动态调整最优航点。云端生成航点后，通过 物联网 传输至小车，小车接收导航指令后自主巡视。

巡视过程中，小车 实时上传路径、蚁巢信息 等数据，云端系统分析后即时调整航点，以适应环境变化，确保巡视策略最优

 

 

D. YOLO-SRC视觉目标定位算法（简化版）

在 过曝、遮挡、运动模糊 等干扰严重的户外环境中，蚁巢检测面临挑战。我们开发的 YOLO-SRC 算法基于 YOLOv4 改进，结合 合成噪声数据 与 对比学习一致性对齐 训练方法，提高了蚁巢检测的鲁棒性与准确性。

核心优化点：

1. 特征提取网络优化 —— 增强微小目标特征捕捉，提高识别精度。
2. 多尺度特征融合 —— 融合不同层级特征，提升检测性能。
3. 数据增强与对齐训练 —— 通过 JSD散度损失 使模型在不同噪声域下预测对齐，增强抗干扰能力。

目标定位流程：

• RGBD双目相机 采集图像，YOLO-SRC输出目标检测框。
• 对齐Depth图，利用均值滤波去噪，获取目标中心深度。
• 矩阵映射 将像素坐标转换为 机器人坐标系，实现 蚁巢空间位姿估计。

3.4.2 软件各模块介绍

后端设计介绍:

使用 Tornado 框架处理高并发和长连接请求，负责数据交互和 API 接口提供，功能模块包括：

• 轨迹展示处理器：读取机器人运行轨迹数据（经纬度），通过高德地图API在前端展示。
• 标记点处理器：处理红火蚁巢标记点的操作，包括添加、更新和获取标记点数据。
• 区域选择处理器：查询并返回用户选择区域内的红火蚁巢数量。
• 热力图处理器：返回红火蚁巢位置数据，前端生成热力图展示。
• 图表可视化处理器：处理天气、机器人状态、温湿度及蚁巢统计数据，生成图表进行展示。
• 登录登出功能及拦截器：负责用户认证、会话管理和权限控制，确保系统安全。

前端设计介绍:

前端使用 高德地图API 实现机器人轨迹、红火蚁巢标记和热力图的可视化，功能模块包括：

• 轨迹展示：在高德地图上展示机器人轨迹，通过经纬度描点成线，并提供轨迹的显示与隐藏控制功能。

 

 

• 标记点展示：在地图上标记红火蚁巢位置，点击标记点显示详细信息（照片、经纬度、发现时间等）。

 

 

• 区域选择：用户可以选择特定区域，系统查询该区域内所有红火蚁巢数量，并在地图上进行展示。

 

• 热力图：生成红火蚁巢分布的热力图，显示蚁巢密位置分布以及密度情况，蚁巢越密集，颜色越深。

 

• 图表可视化：展示未来天气预报、机器人运行状态、温湿度及红火蚁巢统计信息的图表。

 

五、性能一览

1 部分机械结构采用PLA材料打印，部分机械结构采用pla-CF材料打印。打印密度均大于80%。

2. 杀蚁饵料载重达40kg

3 机器人巡航续航达4小时

4 最高速度1m/s

5 视觉识别精准，高达92%以上

 

指导老师：张博

 

 

深圳大学机电与控制工程学院研究员，博士生导师，深圳市高层次人才，现任人工智能与数字经济广东省实验室(深圳)主任助理，深圳市自主无人系统与智能操作联合实验室主任。主要从事的科研方向包括：空间智能、自主智能、具身智能与智能无人系统及其应用。历任深圳大学机电与控制工程学院自动化系主任，学科办公室副主任，机器人工程专业负责人。兼任《Energy Review》青年编辑，TIE、TIC、ISA、IET、Sensors、Journal of the Franklin Institute等期刊审稿人。作为项目负责人主持国家级项目8项，省市级项目3项。以第一/通讯作者发表论文20余篇，其中TOP期刊论文4篇，出版专著 1 部，授权专利20余项。