基于自主视野规划的微机器人群体稳定性增强与自适应导航策略研究

这篇研究论文提出了一种创新的微机器人群体控制方案，通过自主视野（FOV）规划实现大范围工作空间导航。研究整合了相位相关与模板匹配的图像拼接技术获取高分辨率全局图像，采用A算法进行全局路径规划，并开发了优化快速扩展随机树（OI-RRT）算法实现局部路径优化。系统通过三维位移平台和特征点匹配实现多FOV无缝衔接，结合视觉反馈控制实时监测通道宽度与群体位置。实验验证表明，该策略显著提升了微机器人群体的导航效率（速度37.54 μm/s）和稳定性（路径跟踪误差<20 μm），在10 mm迷宫导航中群体损失率仅9%，为靶向给药等生物医学应用提供了新范式。

　　

1 引言

微机器人群体在生物医学领域展现出突破性应用潜力，包括靶向给药、干细胞运输和血管重建等。磁驱动因其组织穿透性和生物相容性成为主流驱动方式，但大范围工作空间中维持群体稳定性和适应性仍是重大挑战。传统单视野控制策略在跨多视野导航时存在分辨率与视野范围的矛盾，且频繁的平台移动会导致群体分散。本研究通过整合自主FOV规划与群体形态自适应控制，实现了微机器人群体的长距离精准导航。

2 控制方案

2.1 图像拼接

采用相位相关与模板匹配的混合方法构建全局地图。相位相关通过傅里叶变换检测图像位移脉冲信号（如图2b），模板匹配则基于归一化平方差（SSD）实现亚像素级对齐。实验显示拼接图像与低倍镜图像的轮廓误差仅14.42±12.26 μm（图9），满足1000 μm通道的导航精度需求。

2.2 路径规划算法

全局路径采用A算法生成，通过曼哈顿距离启发函数优化搜索效率。局部路径采用创新的OI-RRT算法：

1. 初始路径生成后，采样范围被约束在椭圆区域内（图4b），椭圆长轴为路径长度，焦距为起止点直线距离

2. 通过三角形不等式优化（图4c橙色虚线）和障碍物周边采样（蓝色线）缩短路径

3. B样条曲线插值实现平滑轨迹（图4d）

   该算法在动态避障中表现出色（补充视频S5）。

2.3 平台移动策略

FOV规划算法通过安全框架（公式8）最小化平台移动次数。在7×7 mm迷宫中，相比传统中心跟踪策略（移动9次/1364 μm），本方案仅需4次移动/1008 μm（图5d），效率提升26%。关键创新在于：

1. 路径分段互斥原则（公式11）

2. 最近FOV选择算法（公式13）

2.4 视觉反馈控制

采用感兴趣区域（ROI）跟踪技术，通过递归计算实现群体定位（公式14-15）。变形感知机制根据最小包围椭圆动态调整窗口尺寸，在16 Hz磁场频率下实现20 Hz的实时跟踪。

2.5 运动控制

椭圆磁场驱动策略（公式16-19）通过调节俯仰角β控制速度，偏航角γ决定运动方向。实验显示群体能以恒定速度37.54 μm/s导航（图11b），转向时误差<20 μm（图11c）。

3 实验验证

3.2 自适应通道穿越

在600 μm窄通道中，群体在9-97 s内完成涡旋→椭圆变形（图10c），短轴缩短至可通过尺寸。全程平均跟踪误差9.66 μm，变形后出现约10 μm的宽度回弹（滞后效应）。

3.4 迷宫导航

10 mm路径导航耗时267 s，平台移动3次跨越4个FOV（图11a）。对比实验显示：

• 带FOV规划：完成时间267 s，损失率9%

• 无FOV规划：341 s（+21%），2°俯仰角时损失率激增至38%（图11d）

3.5 非均匀环境导航

在6 mm不规则通道中（图12a），群体通过80-120 s的自主变形穿越窄区，最终损失率仅2%，速度稳定在33.34 μm/s。

4 结论与展望

本研究建立的"全局成像-分层规划-自主视野"控制框架，解决了微机器人群体在大尺度生物环境中的导航难题。未来将向三个方向拓展：

1. 生物拟真环境测试（组织衬里/生物流体）

2. 多群体协同控制（补充图S3）

3. 医学影像融合（超声/荧光/MRI）

   该技术为微米级靶向治疗提供了可扩展的解决方案。