92.5%成功率！東京大學多連桿飛行器解鎖復雜空間穿越能力

在災難搜救、工業巡檢、狹小空間勘探等場景中，無人機一直被一個 “先天缺陷” 限制：機身固定、無法變形，遇到比自身更窄的縫隙就只能束手無策。如果無人機能像蛇一樣靈活變形，在飛行中主動收縮、扭轉身體，是不是就能輕松穿越廢墟通道、管道間隙和復雜建筑？

近年來，一類全新的機器人——“浮動基座多連桿機器人”的新型飛行器正在將這一設想變為現實。這類機器人由一個主體（浮動基座）和多個通過關節連接的連桿組成，它們可以在飛行中調整關節角度，從而改變整體外形。然而，要讓這些機器人在復雜環境中安全、高效地導航，面臨著一個巨大的挑戰：如何為它們規劃出一條既避開障礙、又符合物理規律、還能順利改變形狀的飛行軌跡？

近日，一項來自東京大學的研究提出了一個創新的解決方案，為這類機器人賦予了在狹小空間內靈活機動的智慧。這項研究的核心，是一個名為“分層軌跡規劃框架”的系統。它巧妙地利用了機器人本身的特性，將復雜的規劃問題化整為零，最終讓機器人能夠直接從原始的傳感器數據中，自主生成一條安全、可行的飛行路徑。

01.

難題：高維空間里的“穿針引線”

為什么為這種可變形的機器人規劃路徑如此困難？

首先，傳統剛性機器人的路徑規劃，只需考慮其在三維空間中的位置和姿態，這在一個三維空間里進行。但對于多連桿機器人，除了主體的位置和姿態，還需要考慮每一個關節的角度。關節越多，需要考慮的維度就越高，形成了一個高維的“構型空間”。在這個空間里尋找一條無碰撞的路徑，就像在千絲萬縷中穿針引線。

采用分層軌跡規劃框架，一個浮基多連桿機器人通過變形其結構，在U形通道中機動的俯視圖

其次，規劃出的軌跡不僅要確保機器人的任何一個部位（包括高速旋轉的螺旋槳）都不與障礙物相碰，還要保證每個關節的運動都在其機械限位之內，更重要的是，要保證機器人在整個飛行過程中始終是“可控”的。研究發現，當機器人變形到某些特定姿態時，可能會陷入“控制奇異點”，通俗地說，就是在這個姿態下，機器人對某個方向的運動失去了有效的控制能力，容易失控墜落。

過去的研究者們嘗試過各種方法。有的將問題簡化，但難以應對復雜環境；有的采用“頭部引領”策略，讓機器人像蛇一樣頭先走，身體跟隨，但這容易將機器人拉直失控；還有的嘗試用隨機采樣的方式在高維空間中搜索，但這種方法在遇到狹窄通道時效率極低，常常迷路。

浮動基座多連桿機器人的運動學模型

02.

核心思路：剛柔并濟，化整為零

這項新研究的核心思路，來自于對機器人自身雙重特性的深刻理解。研究者們意識到，這個機器人既是剛體（其主體部分負責整體移動），又是柔性體（其關節部分負責靈活變形）。他們巧妙地利用了這一特性，提出了一個分層規劃框架，將復雜的“穿針引線”任務分解為兩個更簡單的步驟：全局引導和局部優化。

第一步：全局引導——找到“中間站”

這個想法類似于我們規劃一次長途自駕旅行。你不會直接規劃從家門口到目的地每一個路口的細節，而是會先在地圖上確定幾個關鍵的城市或服務區作為“中間站”。只要保證能從A站到B站，再從B站到C站，那么整個旅程的大方向就把握住了。

在這里，規劃器首先只關注機器人的“剛體”部分。利用經典的A*搜索算法，在低維度的三維空間中找到一條從起點到終點的、無碰撞的粗略路徑。這條路徑就像旅行地圖上的高速公路，為機器人提供了全局的方向指引。

從給定的局部初始狀態 q_init 生成候選局部目標集合 Q 的示意圖。

接下來，就是確定那些“中間站”，研究團隊稱之為全局錨點狀態。在每個錨點狀態，機器人都有一個完整的、具體的“姿勢”（包括主體位置、姿態和所有關節的角度）。規劃器從一個已知的安全姿勢開始，然后“向前看”一步。它會生成一系列候選的下一個姿勢，這些候選姿勢都位于當前姿勢前方一個連桿長度的位置，涵蓋了各種可能的關節彎曲角度。

然后，它會對每一個候選姿勢進行兩項檢測：

無碰撞檢測：利用環境感知數據（點云生成的歐氏符號距離場），檢查機器人的每一個部分，包括旋轉的螺旋槳，是否都遠離障礙物。

可控性檢測：通過一個復雜的數學模型，計算在這個姿勢下，機器人是否擁有足夠和均衡的控制力矩。只有通過了這項檢查，才能確保機器人不會進入“控制奇異點”而失控。

候選目標評估示意圖

只有同時通過這兩項檢測的候選姿勢，才有資格成為備選。最后，規劃器會在這些“合格”的姿勢中，選擇一個最靠近全局參考路徑，且能讓機器人整體向前推進最多的一個，作為下一個錨點狀態。這個過程不斷重復，直到抵達最終的目標狀態。這樣，就得到了一條由一系列安全、可控的錨點狀態連接而成的鏈，它將整個復雜的變形過程分解成了一個個相對簡單的“片段”。

模擬浮動基座多連桿機器人在狹窄通道的受限環境中導航

第二步：局部優化——打磨每一段“旅程”

有了這些“中間站”作為起點和終點，接下來就需要為每一段旅程規劃出平滑、可行的飛行軌跡了。這就是“局部軌跡規劃器”的任務。

這里，研究者采用B樣條（B-spline）曲線的數學工具來參數化每一段軌跡。這種工具的優點在于，它能天然保證相鄰兩段軌跡在連接點是平滑過渡的，不會出現速度和位置的突變，這對于飛行器的平穩飛行至關重要。

感知、規劃和控制流程概述。

接下來就是一場精心設計的優化過程。規劃器以能量消耗最小為目標，同時要滿足一系列嚴格的約束條件：

運動學約束：保證所有關節角度都在其物理允許的范圍內。

動力學約束：保證機器人主體的移動速度和關節的轉動速度都不會過快，避免劇烈運動。

避碰與可控性約束：這是最核心的部分。規劃器不會只檢查幾個孤立的點，而是通過密集采樣的方式，近似地保證整個飛行時間軸上，每一個瞬間的機器人姿態都是無碰撞且可控的。它將違反這些約束的行為量化為一個“懲罰項”加入到優化目標中。如果某段軌跡有“擦到”障礙物的風險，這個懲罰項就會變得很大，引導優化算法去修正軌跡，直到找到一個完全安全、可行的解決方案。

由于各個軌跡片段之間是獨立的，這個優化過程可以并行進行計算，大大縮短了整體的規劃時間。最后，將所有優化好的片段首尾相連，就得到了一條從起點到終點的、平滑、安全且動態可行的完整飛行軌跡。

一次試驗中不同算法規劃運動的對比

03.

實驗驗證：從仿真到現實

這個框架的有效性不僅在計算機仿真中得到了驗證，更是在真實的飛行機器人上接受了考驗。

實驗中使用的機器人

研究團隊搭建了一個四連桿的飛行機器人，并設置了四種極具挑戰性的場景：單個狹窄縫隙、連續三個縫隙、密布的桿狀障礙物，以及一個U形的彎曲通道。

浮基多連桿機器人在受限環境中進行復雜機動的實驗演示

成功率高達 92.5%，而去掉任何一個核心模塊，成功率都會暴跌（去掉錨點直接降到 0%）；

并行計算讓速度提升近 3 倍，在普通電腦上就能實時運行；

能穩定通過僅 0.7 米寬的縫隙，而機器人展開時直徑接近 0.9 米；

在單縫隙、三連續縫隙、桿狀障礙、U 型通道四種典型狹窄環境中，全部成功完成機動；

對比過去只能勉強過單縫、無法到達指定目標的算法，新框架實現了質的飛躍：通用、可靠、能完成復雜長任務。

04.

結語

這項研究的意義在于，它為浮動基座多連桿機器人的實用化掃清了一個關鍵障礙——自主導航。這套分層軌跡規劃框架，讓機器人具備了在復雜未知環境中自主規劃安全變形路徑的“頭腦”。

未來的研究將繼續向更深、更廣的方向發展。例如，讓機器人擺脫對昂貴運動捕捉系統的依賴，完全依靠自身的視覺和慣性傳感器進行定位