92.5%成功率！东京大学多连杆飞行器解锁复杂空间穿越能力

Alex2026-03-021321机器人技术及应用

在灾难搜救、工业巡检、狭小空间勘探等场景中，无人机一直被一个 “先天缺陷” 限制：机身固定、无法变形，遇到比自身更窄的缝隙就只能束手无策。如果无人机能像蛇一样灵活变形，在飞行中主动收缩、扭转身体，是不是就能轻松穿越废墟通道、管道间隙和复杂建筑？

近年来，一类全新的机器人——“浮动基座多连杆机器人”的新型飞行器正在将这一设想变为现实。这类机器人由一个主体（浮动基座）和多个通过关节连接的连杆组成，它们可以在飞行中调整关节角度，从而改变整体外形。然而，要让这些机器人在复杂环境中安全、高效地导航，面临着一个巨大的挑战：如何为它们规划出一条既避开障碍、又符合物理规律、还能顺利改变形状的飞行轨迹？

近日，一项来自东京大学的研究提出了一个创新的解决方案，为这类机器人赋予了在狭小空间内灵活机动的智慧。这项研究的核心，是一个名为“分层轨迹规划框架”的系统。它巧妙地利用了机器人本身的特性，将复杂的规划问题化整为零，最终让机器人能够直接从原始的传感器数据中，自主生成一条安全、可行的飞行路径。

01.

难题：高维空间里的“穿针引线”

为什么为这种可变形的机器人规划路径如此困难？

首先，传统刚性机器人的路径规划，只需考虑其在三维空间中的位置和姿态，这在一个三维空间里进行。但对于多连杆机器人，除了主体的位置和姿态，还需要考虑每一个关节的角度。关节越多，需要考虑的维度就越高，形成了一个高维的“构型空间”。在这个空间里寻找一条无碰撞的路径，就像在千丝万缕中穿针引线。

采用分层轨迹规划框架，一个浮基多连杆机器人通过变形其结构，在U形通道中机动的俯视图

其次，规划出的轨迹不仅要确保机器人的任何一个部位（包括高速旋转的螺旋桨）都不与障碍物相碰，还要保证每个关节的运动都在其机械限位之内，更重要的是，要保证机器人在整个飞行过程中始终是“可控”的。研究发现，当机器人变形到某些特定姿态时，可能会陷入“控制奇异点”，通俗地说，就是在这个姿态下，机器人对某个方向的运动失去了有效的控制能力，容易失控坠落。

过去的研究者们尝试过各种方法。有的将问题简化，但难以应对复杂环境；有的采用“头部引领”策略，让机器人像蛇一样头先走，身体跟随，但这容易将机器人拉直失控；还有的尝试用随机采样的方式在高维空间中搜索，但这种方法在遇到狭窄通道时效率极低，常常迷路。

浮动基座多连杆机器人的运动学模型

02.

核心思路：刚柔并济，化整为零

这项新研究的核心思路，来自于对机器人自身双重特性的深刻理解。研究者们意识到，这个机器人既是刚体（其主体部分负责整体移动），又是柔性体（其关节部分负责灵活变形）。他们巧妙地利用了这一特性，提出了一个分层规划框架，将复杂的“穿针引线”任务分解为两个更简单的步骤：全局引导和局部优化。

第一步：全局引导——找到“中间站”

这个想法类似于我们规划一次长途自驾旅行。你不会直接规划从家门口到目的地每一个路口的细节，而是会先在地图上确定几个关键的城市或服务区作为“中间站”。只要保证能从A站到B站，再从B站到C站，那么整个旅程的大方向就把握住了。

在这里，规划器首先只关注机器人的“刚体”部分。利用经典的A*搜索算法，在低维度的三维空间中找到一条从起点到终点的、无碰撞的粗略路径。这条路径就像旅行地图上的高速公路，为机器人提供了全局的方向指引。

从给定的局部初始状态 q_init 生成候选局部目标集合 Q 的示意图。

接下来，就是确定那些“中间站”，研究团队称之为全局锚点状态。在每个锚点状态，机器人都有一个完整的、具体的“姿势”（包括主体位置、姿态和所有关节的角度）。规划器从一个已知的安全姿势开始，然后“向前看”一步。它会生成一系列候选的下一个姿势，这些候选姿势都位于当前姿势前方一个连杆长度的位置，涵盖了各种可能的关节弯曲角度。

然后，它会对每一个候选姿势进行两项检测：

无碰撞检测：利用环境感知数据（点云生成的欧氏符号距离场），检查机器人的每一个部分，包括旋转的螺旋桨，是否都远离障碍物。

可控性检测：通过一个复杂的数学模型，计算在这个姿势下，机器人是否拥有足够和均衡的控制力矩。只有通过了这项检查，才能确保机器人不会进入“控制奇异点”而失控。

候选目标评估示意图

只有同时通过这两项检测的候选姿势，才有资格成为备选。最后，规划器会在这些“合格”的姿势中，选择一个最靠近全局参考路径，且能让机器人整体向前推进最多的一个，作为下一个锚点状态。这个过程不断重复，直到抵达最终的目标状态。这样，就得到了一条由一系列安全、可控的锚点状态连接而成的链，它将整个复杂的变形过程分解成了一个个相对简单的“片段”。

模拟浮动基座多连杆机器人在狭窄通道的受限环境中导航

第二步：局部优化——打磨每一段“旅程”

有了这些“中间站”作为起点和终点，接下来就需要为每一段旅程规划出平滑、可行的飞行轨迹了。这就是“局部轨迹规划器”的任务。

这里，研究者采用B样条（B-spline）曲线的数学工具来参数化每一段轨迹。这种工具的优点在于，它能天然保证相邻两段轨迹在连接点是平滑过渡的，不会出现速度和位置的突变，这对于飞行器的平稳飞行至关重要。

感知、规划和控制流程概述。

接下来就是一场精心设计的优化过程。规划器以能量消耗最小为目标，同时要满足一系列严格的约束条件：

运动学约束：保证所有关节角度都在其物理允许的范围内。

动力学约束：保证机器人主体的移动速度和关节的转动速度都不会过快，避免剧烈运动。

避碰与可控性约束：这是最核心的部分。规划器不会只检查几个孤立的点，而是通过密集采样的方式，近似地保证整个飞行时间轴上，每一个瞬间的机器人姿态都是无碰撞且可控的。它将违反这些约束的行为量化为一个“惩罚项”加入到优化目标中。如果某段轨迹有“擦到”障碍物的风险，这个惩罚项就会变得很大，引导优化算法去修正轨迹，直到找到一个完全安全、可行的解决方案。

由于各个轨迹片段之间是独立的，这个优化过程可以并行进行计算，大大缩短了整体的规划时间。最后，将所有优化好的片段首尾相连，就得到了一条从起点到终点的、平滑、安全且动态可行的完整飞行轨迹。

一次试验中不同算法规划运动的对比