Vision-Guided Closed-Loop Autonomous Navigation of Light-Driven Janus Microbots
作者: Kanhu Charan Andia, Harsh Prashant Katole, Parth Nitinkumar Bhosale, Hemant Kumar, Dhruv Pratap Singh
分类: cs.RO, cond-mat.soft
发布日期: 2026-10-15
备注: 26 pages, 7 Figures
💡 一句话要点
提出视觉引导闭环自主导航框架以解决微米级机器人导航挑战
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 微型机器人 自主导航 视觉引导 路径规划 动态环境 任务执行 闭环控制
📋 核心要点
- 在微米尺度下，环境动态变化使得微型机器人的可靠导航变得极具挑战性，现有方法难以适应复杂环境。
- 本文提出了一种视觉引导的闭环导航框架，结合实时视觉定位和磁性引导，实现精确导航和路径规划。
- 实验结果显示，90%以上的轨迹偏差保持在6微米以下，微型机器人能够自主完成复杂任务并避开障碍物。
📝 摘要（中文）
人工微型机器人具备精确自主导航能力，可为复杂环境中的微观运输、操作和任务执行提供多功能平台。然而，在微米尺度下，可靠导航面临越来越大的挑战，尤其是在动态变化的环境中。本文开发了一种视觉引导的闭环导航框架，适用于约3微米的光驱动立方体型赤铁矿/TiO2 Janus微型机器人。通过集成实时视觉定位和基于离散航点的磁性引导，实现了沿复杂预定轨迹的精确导航，测得的轨迹偏差超过90%保持在6微米以下。该框架还支持用户定义的自由手绘轨迹和在物理限制迷宫中的自主导航。A*路径规划在动态环境中实现了实时路径重规划，避免了多个独立游动的5微米球形Janus微型电机。最终，微型机器人能够选择性捕获多个货物颗粒，并自主运输和交付到预定位置，同时避开动态障碍物。
🔬 方法详解
问题定义：本文旨在解决光驱动Janus微型机器人在动态环境中进行自主导航的挑战。现有方法在应对环境变化时表现不佳，难以实现精确的路径控制和任务执行。
核心思路：提出的框架结合了实时视觉定位和基于航点的磁性引导，能够在复杂环境中实现高精度导航。通过使用YOLOv11模型进行物体检测，增强了微型机器人的环境感知能力。
技术框架：整体架构包括视觉定位模块、路径规划模块和导航执行模块。视觉定位模块负责实时识别和定位，路径规划模块使用A*算法进行动态路径重规划，导航执行模块则实现基于磁性引导的精确移动。
关键创新：最重要的创新在于将视觉引导与闭环控制相结合，使得微型机器人能够在复杂和动态环境中自主导航，显著提升了导航精度和任务执行能力。
关键设计：采用YOLOv11进行物体检测，设置了特定的损失函数以优化检测精度，磁性引导的参数经过调优以确保微型机器人在不同环境下的稳定性和灵活性。实验中还考虑了动态障碍物的影响，以增强系统的适应性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的导航框架在多种路径几何形状下，90%以上的轨迹偏差保持在6微米以下，展示了优越的导航精度。此外，微型机器人能够在动态环境中成功避开障碍物，完成货物运输任务，验证了系统的有效性。
🎯 应用场景
该研究的潜在应用领域包括医疗微创手术、环境监测、纳米级材料运输等。通过实现自主导航和任务执行，微型机器人能够在复杂和动态的环境中高效工作，具有重要的实际价值和未来影响。
📄 摘要（原文）
Artificial microbots capable of precise and autonomous navigation could provide versatile platforms for microscale transport, manipulation, and task execution in complex environments. However, reliable navigation becomes increasingly challenging at the micrometre scale, particularly when the surrounding environment changes dynamically. Here, we develop a vision-guided closed-loop navigation framework for light-driven cube-shaped hematite/TiO2 Janus microbots with a characteristic size of approximately 3 μm. Real-time visual localization using a custom-trained YOLOv11 object-detection model is integrated with discretized waypoint-based magnetic steering to enable precise navigation along complex prescribed trajectories, with more than 90% of the measured trajectory deviations remaining below 6 μm across the tested path geometries. The framework further enables arbitrary user-defined free-hand trajectories and autonomous navigation through a physically confined maze. In dynamically changing environments, A* path planning enables real-time path replanning while avoiding multiple independently swimming 5 μm spherical Janus micromotors. Finally, the microbot selectively captures multiple cargo particles and autonomously transports and delivers them to a predefined location while simultaneously avoiding dynamic obstacles. These results establish an integrated platform combining programmable trajectory control, autonomous path planning, real-time environmental adaptation, and task execution within a single light-driven Janus microbot system.