本课题将研究送药巡诊机器人的人员检测，跟踪预测和路径规划技术，并通过仿真实验和真实环境实验对算法进行验证，优化与改进。将算法分别搭载于实体小车并不同复杂环境中测试算法可行性。旨在开发一款送药巡诊机器人以提高药物配送效率、降低交叉感染风险、提高配送准确性、减轻医护人员工作负担、提升医疗服务质量和应对突发公共卫生事件

  该机器人预期能够自主完成药品的配送任务，无需人工干预，从而大大提高了医院送药和巡诊的效率。在基层医疗领域，医护短缺问题严重。送药机器人可以替代医护人员完成重复性高的送药任务和巡诊任务，从而减轻医护人员的工作负担，提高工作效率。同时可以降低交叉感染风险，在传染病高发期间，送药巡诊机器人可以有效减少医护人员与患者的直接接触，降低交叉感染的风险。

在无人小车这一领域，目前的主流算法分为传统算法及端到端算法。我们将在学习现有传统算法及端到端算法的基础上，结合分布式强化学习和模仿学习设计算法并进行验证及改进。基于端到端算法的小车可以突破传统算法单车算力不足，在人员动态场景下规划成功率很低的问题使其应用场景大大拓宽。

(1)基于2D激光雷达的深度神经网络的人员检测

这一部分研究内容主要包含以下工作：

- 研究现有激光雷达人员检测的算法原理

- 学习数据的降噪处理与标准化

-在现有算法基础上融合改进，设计新模型及新算法

- 尝试实现优化模型并验证效果

(2)扩展卡尔曼滤波的人员跟踪预测

这一部分研究内容主要包含以下工作：

- 研究扩展卡尔曼滤波在跟踪非线性系统中相较传统算法的优势

- 选择合适的预测算法进行改进

- 尝试实现优化算法并验证效果

(3)基于A*与TEB的路径规划

这一部分研究内容主要包含以下工作：

- 研究A*算法和TEB的原理

- 学习两算法的融合使用

(4)将算法搭载于高算力硬件进行测试

这一部分研究内容主要包含以下工作：

- 研究将算法搭载于高算力硬件方法

- 验证算法实际应用效果

送药巡诊机器人的研究现状涵盖了多个方面，包括自动化配送、智能监控、路径规划以及多设备协同工作等,此领域中已有许多成熟的方案与产品

MEDROBO系统通过线跟随方法和实时健康参数监测来实现药物自动配送和患者监控[1]。这种系统能够通过RFID标签识别特定患者，并确保药物准确送达。此外，该系统集成了心率、血氧饱和度、血压和体温等生命体征监测功能，提高了医疗设施中的效率和安全性。

在智能药房中，机器人需要处理形状各异且位置重叠的药品。为此，研究人员提出了一种结合多阶段抓取网络和自适应机器人机制的新框架，通过改进的Super-Resolution Convolutional Neural Network (SRCNN)算法和YOLOv5+E-A-SPPFCSPC+BIFPNC实例分割算法来精确分割药品，从而优化药品抓取过程[2]。

基于STM32的智能送药机器人系统利用微信小程序、云平台和运输机器人三端联合的信息交互，结合无线传感技术和无线通信技术，实现了多端数据交互和云端存储处理，极大地提高了药物配送效率，并有效降低了人工配送产生的交叉感染风险[5]。

另有一名为小胖机器人的产品目前已在青岛医院等国内多家医院投入使用，通过机器视觉模块识别病房号，并使用重量传感器检测药物是否处于机器人中，同时通过ToF激光雷达进行测距避障，实现无接触配送[6]。这种设计不仅缓解了医疗行业人力资源紧张的问题，还降低了病毒传播的风险。

智能送药机器人设计使用RFID、STM32单片机等硬件模块构建机器人主体部分，并通过ESP8266无线WiFi控制器与云平台进行数据通信，实现设备智能检测与远程控制[7]。

送药巡诊机器人的研究现状显示了其在提高医疗效率、减少人工干预以及降低交叉感染风险方面的巨大潜力。未来的研究可能会进一步探索如何优化这些系统的智能化程度和适应性，以应对更多复杂的应用场景。

1. Rui Tang, Shirong Guo et al. “Optimizing Drug Delivery in Smart Pharmacies: A Novel Framework of Multi-Stage Grasping Network Combined with Adaptive Robotics Mechanism.” (2024).?

2. Kalpana G, Sai Poojitha R et al. “MEDROBO: Automated Medicine Delivery and Patient Monitoring System.” September 2024(2024).?

3. Animesh Giri, Aditi Khasnis et al. “MediBot: Revolutionizing Healthcare with IoT-Based Autonomous Medication Management and Smart Cart Facility.” 2023 4th International Conference on Intelligent Technologies (CONIT)(2024).?

4. 伍成豪,王维平,袁宝聚等.基于ROS多融合巡检机器人的设计 附视频[J].信息化研究,2024.?

5. 苗旭焘,张宇晨,成尔卓.基于STM32的智能送药机器人[J].物联网技术,2024.?

6. Hao Li, Hao Li et al. “Design of Intelligent Robot for Drug Delivery.” 2023 4th International Conference on Computer, Big Data and Artificial Intelligence (ICCBD+AI)(2023).?

7. 秦芹,靳晓剑,敬良原.基于云平台的无人医药配送系统硬件设计[J].无线互联科技,2024.?

动态避障、精准送药功能：传统规划算法在人员动态场景下规划成功率很低：传统人工势场法在动态环境中容易陷入局部极小值、目标不可达等问题；传统的动态窗口法虽然能够处理动态障碍物，但在行人密集环境下灵活性差、效率低、缺乏安全性。通过扩展卡尔曼滤波，结合CNN和EKF来提高人员检测和跟踪的准确性。通过A*结合时间弹性带（TEB）算法，可以进一步优化路径规划，特别是在动态环境中避免障碍物，从而提高了路径规划的安全性和效率。

1.项目规划和可行性分析（2024年10月-11月）。小组进行初期调研，深入了解相关的背景和技术，了解当前领域的最新研究进展、相关技术挑战以及项目的具体目标，学习相关专业知识。充分搜集行业调研并探索市场需求。与指导老师探讨该项目的必要性、可行性以及技术实现路径。

2.工具准备和编程技能的学习（2024年12月-2025年1月）。搭载ROS环境，系统学习Python和ROS相关知识，熟练掌握编程语言和开发工具，掌握基本路径规划算法。

3动态避障算法探究（2025年2月-5月）。阅读各种文献资料，研究路径规划算法，以实现人员动态场景的动态避障和精准送药功能，并结合计算机仿真进行修改调整，最终形成项目程序算法的雏形。

5中期成果撰写（2025年6月）。结合本研究的数据，撰写报告，结合项目进展撰写1篇论文，并完成中期审核。

4搭载机器人（2025年7月-8月）确定底盘、机械臂等硬件设施，搭载机器人并配置好网络环境，将算法移植到机器人上。

6调试和优化（2025年8月-12月）将小车部署到实际环境中，并进行全面的测试。在不同的场景下测试小车的路径规划算法，调整参数以优化性能。设置动态障碍物并测试小车的避障功能对实验数据进行统计、处理和分析，评估系统性能，找出问题和改进方向.

7.研究成果展示（2026年1月-5月）。结合前期文献检索的内容和本项目研究和测试所收集的数据，撰写报告，最终结合项目进展撰写1-2篇论文，或将申请专利，并完成结题审核。