1. 引言
在爆炸物探测、毒品查缉、灾难搜救等公安核心任务中，活体警犬凭借微摩尔级痕量气体检测能力，长期承担不可替代的角色[1]。然而，其应用存在显著瓶颈：训练周期长达6~12个月，单只年维护成本超10万元；生理特性限制导致无法在高温(>40℃)、辐射、缺氧等高危场景持续作业，且易受疲劳、情绪影响，服从命令存在不确定性[2]。随着反恐维稳形势复杂化，机场、边境、废墟等非结构化场景对嗅探装备的“全天候、高精度、低风险”需求日益迫切。生物嗅觉系统(如犬类)的嗅觉受体分布特征与气味分子吸附机制，为仿生技术提供了天然研究模型。近年来，纳米材料(石墨烯、MOFs)、气体扩散建模(CFD)与机器人技术的交叉融合，推动仿生嗅觉装备从实验室走向实战。此类装备可兼具生物感知的高灵敏度与机器的强耐力，成为突破活体警犬局限的核心方向[3]。目前，国内外相关研究多聚焦单一传感器性能优化或静态场景定位，尚未形成“传感–识别–追踪–集成”全链路解决方案，尤其在复杂地形动态追踪、多模态数据融合方面存在技术空白[4]。针对公安实战痛点，研发基于嗅觉仿生的机器警犬系统，核心解决三大问题：一是痕量气体高灵敏检测，突破传统传感器抗干扰弱的瓶颈；二是复杂环境气味场动态解析，实现非稳态气流下的精准溯源；三是非结构化地形自适应追踪，填补现有警用机器人嗅觉引导作业空白，最终可替代或辅助警犬完成高危任务，推动公安工作向“科技精准型”转型。
2. 系统设计与实验方法
2.1. 系统总体架构
机器警犬系统由仿生嗅觉传感层、多模态算法层、四足机器人执行层三部分组成，形成“气味采集–数据处理–运动控制”闭环，具体架构如图1所示。
仿生嗅觉传感层：负责痕量气体信号采集，核心为纳米材料修饰的传感器阵列与微流控动态采样模块；
多模态算法层：实现气味识别、浓度场重构与路径规划，融合深度学习与流体力学模型；
四足机器人执行层：承担移动与追踪任务，集成视觉惯性SLAM (VICON运动捕捉系统)与动态采样装置，适应复杂地形。
Figure 1. Overall architecture diagram of the robotic police dog system
图1. 机器警犬系统总体架构图
2.2. 核心模块设计
2.2.1. 仿生嗅觉传感器阵列设计
设计依据：基于犬类嗅觉受体空间分布特征，模拟其对气味分子的梯度响应机制，选用石墨烯(导电性优)、MOFs (高吸附性)作为传感器电极修饰材料，提升对TNT (爆炸物)、冰毒(毒品)等痕量挥发性化合物的检测灵敏度[5]。
实验装置：采用微流控芯片集成8通道传感单元(通道间距2 mm，确保信号独立性)，搭配气泵式动态采样装置(采样流量100 mL/min)，同步采集目标气体与背景气体(空气)信号，排除环境干扰。
性能测试方案：使用标准气体(TNT浓度：0.1~10 ppb、冰毒浓度：0.5~20 ppb)进行标定，记录传感器响应时间(从接触气体到信号稳定的时间)、检测限(信号信噪比 ≥ 3时的最低浓度)与交叉敏感性(对乙醇、丙酮等干扰气体的响应强度)，每组测试重复3次，取平均值。
2.2.2. 多模态识别与浓度场解析算法
算法框架：构建“气味指纹库–扩散模拟–分类网络”三级处理模型，多模态算法框架如图2所示。
(1) 气味指纹库：通过气相色谱–质谱联用仪(GC-MS)采集12类爆炸物/毒品的挥发性有机物特征谱图，建立包含300余组数据的标准库；
(2) 扩散模拟：采用大涡模拟(LES)构建非稳态气流扩散模型，结合风速(0~5 m/s)、温湿度(−20℃~40℃, 10%~75% RH)参数，预测气味浓度分布；
(3) 分类网络：设计双分支CNN-GRU网络，CNN分支提取气味信号空间特征，GRU分支捕捉浓度时序变化，解决小样本(低浓度气体)识别难题。
实验验证：在警用机器人测试场(模拟机场大厅、集装箱狭小空间)设置气味源(TNT浓度：5 ppb、冰毒浓度：10 ppb)，记录算法的识别准确率(正确识别目标气体的次数/总测试次数)与浓度场重构误差预测浓度与实际浓度的偏差率，对比传统单一CNN算法的性能差异。
Figure 2. Multimodal algorithm framework
图2. 多模态算法框架
2.2.3. 四足机器人追踪系统
平台选型：基于Unitree A1四足机器人(负载5 kg，最大速度3.3 m/s)改造，加装仿生嗅觉传感层与动态采样装置，优化关节电机(与苏州汇川技术合作开发，扭矩提升20%)，增强爬坡与越障能力[6]。
追踪策略：采用强化学习PPO算法(Proximal Policy Optimization)，结合气味梯度信息(传感器阵列采集的浓度差)与地形特征(视觉SLAM获取的障碍物位置)，动态调整运动路径：当浓度梯度增大时，沿梯度方向直线追踪；当遇到障碍物(高度 ≥ 20 cm)时，触发避障程序，绕行后重新定位梯度方向。
地形适应性测试：在模拟废墟(石块间距5~10 cm，坡度0˚~35˚)、泥沼(土壤含水率40%~60%)场景中，设置50米追踪路径(起点距气味源30米)，记录机器人的平均追踪速度、越障成功率(成功跨越障碍物的次数/总障碍物数)与定位误差(终点与实际气味源的直线距离)，每组场景测试5次。
2.2.4. 系统集成与全场景验证
集成方案：将传感层、算法层与执行层通过边缘计算模块(算力2TOPS)集成，优化数据传输延迟(要求 ≤ 300 ms)，采用间歇性采样策略(采样间隔1 s，非采样时传感器休眠)降低功耗，确保续航 ≥ 8小时。
全场景测试：联合南京市公安局刑科所，在三类典型公安场景开展实战验证：
(1) 机场物流区(半封闭空间)：检测集装箱内隐藏的TNT模拟爆炸物(10 g，挥发浓度3 ppb)，记录识别时间与定位精度；
(2) 化工厂泄漏(高危场景)：模拟苯泄漏(浓度5 ppb)，通过三维浓度场重构锁定泄漏源，对比人工采样的效率差异；
(3) 边境废墟(非结构化地形)：设置人体挥发性有机物(丙酮，浓度1 ppb)模拟被困者，测试机器人在废墟障碍中的追踪成功率。
3. 系统性能指标分析
3.1. 仿生嗅觉传感器阵列性能
传感器性能测试指标如表1所示，在目标气体浓度范围内，传感器表现出高灵敏度与快速响应特性：检测限：TNT为0.3 ppb、冰毒为0.8 ppb，均达到ppb级，满足公安痕量检测需求；响应时间：TNT检测响应时间 ≤ 0.8 s，冰毒 ≤ 1.0 s，快于传统金属氧化物传感器(响应时间通常 ≥ 3 s)；交叉敏感性：对乙醇、丙酮等干扰气体的响应强度仅为目标气体的5%~8%，抗干扰能力优异。
Table 1. Bionic olfactory sensor array performance
表1. 仿生嗅觉传感器阵列性能
测试指标 |
TNT气体 |
冰毒气体 |
行业平均水平(传统传感器) |
检测限(ppb) |
0.3 |
0.8 |
5~10 |
响应时间(s) |
≤0.8 |
≤1.0 |
≥3 |
交叉敏感性(%) |
6.2 |
7.8 |
20~30 |
稳定性(72 h漂移) |
≤5% |
≤6% |
≥15% |
3.2. 多模态算法性能
对比多模态算法(CNN-GRU + LES)与传统CNN算法的性能，结果如表2所示。在非稳态气流(风速2~5 m/s)场景中，多模态算法的识别准确率与浓度场重构精度显著更优：
识别准确率：对TNT、冰毒的识别准确率分别达98.2%、97.5%，较传统CNN提升12%~15%，主要因GRU分支捕捉了浓度时序变化，减少低浓度时的误判；
浓度场重构误差：平均误差率8.3%，低于传统算法的18.5%，LES扩散模型有效修正了气流扰动对浓度分布的影响。
Table 2. Performance comparison between multimodal algorithms and traditional CNN algorithms
表2. 多模态算法与传统CNN算法性能对比
算法类型 |
TNT识别准确率(%) |
冰毒识别准确率(%) |
浓度场重构误差率(%) |
适应风速范围(m/s) |
多模态算法 |
98.2 |
97.5 |
8.3 |
0~5 |
传统CNN算法 |
86.1 |
82.3 |
18.5 |
0~2 |
3.3. 四足机器人追踪性能
机器人在不同地形的追踪测试指标如表3所示，其在非结构化场景中表现出强适应性：
爬坡与越障：最大爬坡角度32˚ (超过设计目标30˚)，越障高度22 cm (优于设计目标20 cm)，在泥沼场景中越障成功率达92%，因优化后的关节电机扭矩提升，避免打滑；
追踪速度与定位误差：在废墟场景中平均追踪速度1.2 m/s (满足设计目标 ≥ 1 m/s)，气味源定位误差4.2米(小于设计目标5米)，视觉SLAM与气味梯度结合有效修正了运动偏差。
Table 3. Terrain adaptability and tracking performance of quadruped robots
表3. 四足机器人地形适应性与追踪性能
测试场景 |
最大爬坡角度(˚) |
越障高(cm) |
越障成功率(%) |
平均追踪速度(m/s) |
定位误差(m) |
模拟废墟 |
32 |
22 |
92 |
1.2 |
4.2 |
泥沼 |
28 |
20 |
88 |
0.9 |
4.8 |
平坦地面(对照) |
35 |
25 |
100 |
1.8 |
3.5 |
3.4. 系统全场景实战验证
在公安实战场景中的验证指标如表4所示，系统可满足不同场景的作业需求：
机场物流区：检测TNT模拟爆炸物的平均时间4.5分钟，定位误差3.8米，较人工排查(平均15分钟)效率提升3倍；
化工厂泄漏：锁定苯泄漏源的时间6分钟，污染范围预测偏差 ≤ 10%，替代人工进入高风险区域，降低人员伤亡风险；
边境废墟：人体挥发性有机物识别成功率90%，在“黄金72小时”救援场景中可快速定位被困者，补充传统生命探测仪的盲区。
Table 4. Mechanical police dog system full-scene actual combat verification result index
表4. 机器警犬系统全场景实战验证结果指标
应用场景 |
任务目标 |
平均完成时间(min) |
成功率(%) |
定位误差(m) |
对比人工优势 |
机场物流区 |
TNT爆炸物检测 |
4.5 |
96 |
3.8 |
效率提升3倍，覆盖狭小空间 |
化工厂泄漏 |
苯泄漏源定位 |
6.0 |
92 |
4.5 |
避免人员接触高危环境 |
边境废墟 |
人体挥发性有机物识别 |
8.0 |
90 |
5.0 |
适应废墟地形，补充生命探测 |
4. 讨论
4.1. 系统性能优势与技术突破
机器警犬系统设计，在以下方面实现关键突破：
(1) 传感性能突破：纳米材料修饰的传感器阵列将检测限降至ppb级，解决传统传感器“灵敏度低、抗干扰弱”的问题，接近活体警犬的嗅觉感知能力[7]；
(2) 算法创新：融合深度学习与流体力学模型，首次实现非稳态气流下的三维气味场实时重构，定位误差 ≤ 5米，突破单一算法在复杂环境中的局限性；
(3) 工程化集成：四足机器人与嗅觉模块的低功耗集成，结合强化学习路径规划，填补国内警用机器人“嗅觉引导自主追踪”的技术空白。
4.2. 公安应用价值
实战价值：系统可替代活体警犬进入高温、辐射等高危场景，减少民警伤亡风险；在机场、边境等场景的日均排查效率较人工有所提升，同时降低警犬训练与维护成本，推动公安勤务从“人力密集型”向“科技精准型”转型[8]；
生态构建：基于实战数据开发“嗅觉大数据云平台”，提供目标气体特征库订阅服务，形成“硬件 + 数据 + 服务”商业模式，助力智慧警务建设。
4.3. 展望
当前系统设计存在两方面局限：一是传感器在极端高湿环境(>95% RH)下信号漂移率达12%，需进一步优化疏水涂层工艺；二是多机协同追踪算法尚未成熟，无法实现机器警犬群的“接力嗅探”。未来将开展两项工作：
(1) 研发新型纳米疏水材料，将高湿环境信号漂移率控制在5%以内；
(2) 基于5G通信技术，开发多机协同算法，实现10台以上机器警犬的气味踪迹接力追踪，提升大范围场景(如边境线)的监控效率。
5. 结语
本研究融合仿生嗅觉传感、深度学习与机器人技术，构建机器警犬系统。核心量化成果：仿生嗅觉传感器阵列对TNT、冰毒检测限分别为0.3 ppb、0.8 ppb，响应时间 ≤ 1秒，抗干扰能力优于传统电化学传感器；多模态算法在非稳态气流场景中目标气体识别准确率 ≥ 97%，浓度场重构误差率8.3%；四足机器人最大爬坡角度32˚、越障高度22 cm、定位误差 ≤ 5米；系统在机场等3类公安场景实战验证成功率 ≥ 90%。研究存在局限性：仅验证单一目标气体检测能力，混合气体识别未充分测试；动态环境与极端温压场景适配性待提升；传感器长期稳定性与样本库覆盖范围不足。未来将优化混合气体识别体系、强化动态环境适应能力、提升传感器长期稳定性、拓展极端环境适配范围，并扩充样本库与多技术融合以延伸应用场景。
基金项目
江苏省大学生创新训练项目(XJ202510329075)。
NOTES
*通讯作者。