基于人类活动感知的仿生神经网络全覆盖路径规划在蚊虫控制机器人中的应用研究

本研究针对传统蚊虫控制方法效率低下且缺乏对人类活动区域优先覆盖的问题，开发了一种新型人类优先全覆盖路径规划方案（HFA-CCPP）。通过改进Glasius仿生神经网络（GBNN）算法，团队在蚊虫捕获机器人"Dragonfly"上实现了对人类密集区域的优先覆盖，实验证明该方案使机器人抵达人类密集区域速度提升3倍，同时保持100%区域覆盖率。这项发表于《Scientific Reports》的研究为虫媒疾病防控提供了智能化解决方案，开创了基于人类活动模式的害虫控制新范式。

　　

蚊虫传播疾病已成为全球公共卫生的重大挑战，2020年欧洲疾控中心记录到由蚊虫传播的疾病发病率达到峰值。传统防控方法如环境治理、化学消杀等存在劳动强度大、污染环境等缺陷，而现有蚊虫捕获机器人普遍缺乏针对人类活动区域的智能路径规划能力。WHO研究表明蚊虫更倾向于在人类密集区域活动，这为新加坡科技设计大学团队Ash Yaw Sang Wan等开发新型路径规划算法提供了关键依据。

研究团队创新性地提出人类优先全覆盖路径规划（HFA-CCPP）方案，通过双层神经网络架构实现智能决策：覆盖层采用改进的Glasius仿生神经网络确保区域全覆盖，社会层则模拟人类随机游走活动模式。当机器人接近模拟人类位置时，算法会动态调整路径优先级，使机器人优先覆盖高风险区域。关键技术包括：1）基于曼哈顿距离的风险评估模型；2）区域效应（AOE）半径参数优化；3）双神经网络协同决策机制。实验采用自研的"Dragonfly"机器人平台，配备368nm紫外光源和辛醇/乳酸混合引诱剂，通过高速风扇和粘性捕集装置完成捕获。

主要研究结果

仿真验证：在三种典型环境模拟测试中，HFA-CCPP抵达人类密集区域的平均耗时仅为传统GBNN的1/3（1.15秒vs 3.22秒），同时保持相当的覆盖率（5.52秒vs 4.85秒）。算法表现出更强的环境适应性，在开放空间的标准差降低至0.42（传统方法为2.05）。

实物验证：在固定初始位置的重复实验中，机器人保持0.4米路径跟踪精度和0.2米停靠精度。对人类密集区域的优先覆盖时间稳定在89秒左右，较传统方法提速32.2%。机器人搭载的引诱机制成功捕获Aedes和Culex蚊种样本，验证了方案的实际有效性。

这项研究的重要意义在于首次将人类活动模式与全覆盖路径规划相结合，为公共卫生机器人提供了新的算法框架。未来可通过集成实时人体追踪和CO₂浓度监测等生物特征，进一步优化路径规划的生态相关性。该成果不仅适用于蚊虫防控，还可拓展至餐饮服务机器人等需要人类优先服务的场景，展现出广阔的应用前景。