人形機器人如何飛起來？| Nature子刊最新成果

科學家真的給人形機器人裝上了噴氣背包，讓它飛了起來。

不是那種綁幾個螺旋槳就完事的做法，而是實打實的4臺渦輪噴氣發動機，總推力64公斤，妥妥的硬核飛行。

更硬核的是，他們還用深度學習解決了一個讓航空工程師頭疼的難題：怎么讓一個完全不符合空氣動力學的人形機器人，在天上保持平衡？

這項研究來自意大利技術研究院（IIT）的研究團隊，近日發表在Nature（全球最具影響力的科學期刊之一）的子刊Communications Engineering上。

▍為啥非要讓人形機器人飛？

話說回來，讓機器人飛這事兒其實不新鮮。四旋翼無人機滿天飛，各種奇形怪狀的飛行器也層出不窮。

但大部分飛行機器人都有個通病：為了飛得久，拼命減重，結果能力有限。要么就是專門為飛行設計，落地之后也是能力有限。

意大利技術研究院團隊的思路很有意思：與其從頭設計一個會飛的機器人，不如給現成的人形機器人加個飛行模塊。

他們選中的是iCub v2.7，這可是個明星機器人，雙足行走、雙手操作都能實現。

改造后的iRonCub-Mk1重達43.3公斤，比原版重了10公斤。

為啥選噴氣發動機而不是電動螺旋槳？團隊算了筆賬：40公斤的機器人飛5分鐘，用電動推進需要26.31公斤電池，用噴氣發動機只要4.61公斤燃料。這差距，懂的都懂。

最終配置是這樣的：背上兩臺JetCat P220-RXi，每臺22公斤推力，負責把機器人舉起來；兩個前臂各裝一臺P100-RX，10公斤推力，負責調整姿態。

有意思的是，他們把前臂的手直接拆了，換成噴氣發動機。雖然少了抓取能力，但想想看，一個噴著火焰的機器人向你飛來，誰還在乎它有沒有手？

▍把機器人扔進風洞，看看會發生什么

機器人造好了，但怎么飛是個大問題。

人形機器人的外形，從空氣動力學角度看簡直是災難。方方正正的身體、伸出來的四肢，妥妥的空氣制動器。

為了搞清楚空氣到底怎么把機器人捧上天，研究團隊把iRonCub-Mk1搬到了米蘭理工大學的風洞里。

這個風洞可不簡單，低湍流測試段4米×3.84米，最高風速55米/秒。機器人被固定在一個可以遠程控制的支架上，能調整各種角度。

實驗設計了兩種場景：

懸停測試：機器人保持直立（像站著一樣），測試橫風的影響。

飛行測試：機器人傾斜不同角度，模擬真實飛行姿態。

為了測得準，團隊在機器人身上裝了124個壓力傳感器，還用六分量應變計測量整體受力。結果發現了幾個有趣的現象：

首先，風速對阻力的影響沒想象中那么大（誤差小于5%），但機器人姿態的影響巨大，不同姿勢能讓阻力變化20%。其次，95%的阻力來自壓差阻力。也就是說機器人后面形成了一個巨大的低壓區，像個吸盤一樣把它往后拽。

最扎心的是，測試顯示機器人的空氣動力學效率極低。機器人還沒有針對空氣動力學進行優化"。翻譯一下：這玩意兒飛起來純靠力大磚飛。

▍CFD模擬：讓計算機也"吹"一遍

風洞實驗雖好，但太貴了。要訓練AI，需要海量數據，總不能在風洞里吹個幾千次吧？

于是團隊轉向了計算流體力學（CFD）模擬。用ANSYS Fluent軟件，求解雷諾平均納維-斯托克斯方程（RANS），配合SST k-ω湍流模型。

但這里有個技術難題：機器人的幾何形狀太復雜，如果用高精度網格，一次模擬要算好幾天。

研究人員很機智地做了個權衡分析：把網格從953萬個單元簡化到33萬個，計算時間縮短了97%，但誤差只增加了不到5%。

用這個"快速但不太粗糙"的方法，他們搞了個自動化框架，最終生成了8500個模擬案例的數據集：24種關節配置、19個俯仰角、18個偏航角。

為了驗證準不準，團隊還用GPU跑了個格子玻爾茲曼方法（LBM）模擬。兩塊NVIDIA A100跑了兩天，誤差小于1%，但這計算成本... 還是RANS香。

▍深度學習上場：讓AI當空氣動力學專家

有了數據，接下來就是AI的主場了。

研究團隊設計了一個深度神經網絡（DNN），輸入是22維（風向+19個關節角度），輸出是39維（13個部件的3個力分量）。

網絡結構挺豪華：9個全連接層，每層1048個神經元，ReLU激活函數，還加了10% dropout防過擬合。

用PyTorch在NVIDIA RTX A4500上訓練60000輪后，驗證集上的相對均方誤差達到了3×10^-6。啥概念？就是AI預測的空氣動力，和CFD算出來的幾乎一模一樣。

但光有精度還不夠，實時控制需要快速計算。所以團隊又搞了個"軸對稱模型"，假設每個部件都是獨立的圓柱體，忽略相互影響。

雖然精度差了一個數量級，但計算賊快，而且有物理意義，適合放到控制器里。

▍控制算法：讓機器人在風中凌亂而不倒

有了空氣動力模型，最后一步是設計飛行控制器。

核心思想是穩定質心動量。說白了，就是讓所有外力（重力、推力、空氣動力）的合力始終指向想去的方向。

研究團隊在原有的動量控制器基礎上，加入了空氣動力補償項。控制器會實時計算需要的推力和關節運動，通過一個二次規劃（QP）問題求解最優控制輸入。

仿真測試設計得很嚴格：機器人要完成一個包含起飛、懸停、前進、側移等動作的飛行包線，全程都有風干擾。

結果對比相當明顯：

基線控制器（忽略空氣動力）：機器人失去平衡，直接摔了

空氣動力感知控制器：順利完成所有動作，關節誤差保持在可控范圍

更狠的是魯棒性測試。研究人員故意在模擬器里用高精度DNN模型，控制器里用簡化模型，相當于讓控制器"看走眼"。

結果？照樣能飛完全程，就是動作有點抖。這說明啥？說明這套方案不是實驗室里的花架子，真到了現實中有誤差也扛得住。

▍現實很骨感：為啥還沒飛上天空？

看到這你可能要問：說了這么多，離地飛是飛起來了，咋沒看到真飛在天空中的視頻？

研究團隊也很無奈，列了一堆現實困難：

噴氣發動機溫度太高，有毒氣體也不少，室內飛不了

室外飛行沒法精確控制實驗條件

機器人還沒裝風速傳感器

iCub的手臂是纜繩驅動的，響應太慢

所以目前只能做地面實驗：機器人站在地上，控制器里注入虛擬的風力，看它會不會正確地調整姿態。

結果還不錯，面對虛擬的正面風，機器人會通過腳踝前傾來對抗；遇到側風，會調整髖關節和踝關節來保持平衡。

雖然沒真飛上天空，但至少證明了控制算法是靠譜的。

▍后續：不只是會飛的人形機器人

這項研究的意義，遠不止讓機器人飛起來那么簡單。

從技術角度看，這是首次系統地研究人形機器人的空氣動力學，建立了完整的建模、仿真、學習、控制流程。這套方法論不僅適用于人形機器人，任何形狀復雜的飛行器都能用。

從應用角度看，會飛的人形機器人在搜救、勘探、基礎設施檢查等領域潛力巨大。想象一下，地震后的廢墟里，機器人可以飛過障礙物，落地后用雙手清理瓦礫，這是現有任何機器人都做不到的。

研究團隊也坦誠地指出了未來的改進方向：

硬件上，需要更快的手臂驅動，集成風速傳感器

建模上，要考慮非穩態效應和可壓縮性

設計上，可以加裝機翼或可變形外殼，提高空氣動力學效率

控制上，不只是對抗空氣動力，還要學會利用它

最有意思的是，他們提到未來可能會用物理信息神經網絡（PINN），結合實時傳感器數據，實現更準確的預測。

這就像給機器人裝上了"空氣動力學直覺"，能預判風的變化并提前應對。

說到底，這項研究展示了一個趨勢：未來的機器人不會局限于單一的運動模式。它們會走、會跑、會飛，甚至會游泳。而要實現這一切，不僅需要機械和控制的創新，更需要AI來處理日益復雜的物理交互。

從iCub到iRonCub，從地面到天空，意大利團隊用實際行動證明：只要腦洞夠大，工程夠硬，沒有什么是不可能的。

下一步，就等著看這個43公斤的大家伙真正飛起來的那一天了。到時候，可能真的要改名叫Ironman了。

更多關于人形機器人賽道深度文章可在“人形機器人發布”公眾號中查看，歡迎前來關注。