近日，我校物理学院沈煜年副教授带领的机器人与智能机器实验室团队，在飞行机器人智能栖息领域取得新突破，相关成果以“Machine learning-based framework for wall-perching prediction of flying robot”为题发表于国际顶级期刊《Nature Communications》。南京理工大学为论文唯一完成单位，沈煜年副教授为论文唯一通讯作者，沈煜年副教授与硕士研究生毛晨曦为共同第一作者，团队硕士生张维旭、曹安和本科生亓泽宇、刘昆鹏共同参与了本研究。
赋予无人机等飞行器以类似昆虫、鸟类的垂直表面栖息能力，可使其在复杂环境中持久待机作业，对拓展其在搜索救援、基础设施巡检等领域的应用至关重要。然而，墙面栖息涉及高速碰撞、动态附着等强非线性过程，其成功与否受到机器人结构、接近姿态、控制参数等多因素复杂耦合影响。传统依赖动力学仿真或大量“试错”实验的设计与验证方法，效率低下、成本高昂，且无法实现着陆前的实时结果预测，导致机器人极易在失败的栖息尝试中损坏。如何建立高效、精准的栖息预测与一体化设计方法，成为提升飞行机器人自主性与可靠性的核心挑战。
图1 数据驱动模型的建立及其用于预测停靠结果的过程示意。a基于知识驱动模型的机器人着陆仿真。b机器人着陆的实际实验。c机器人失控的极端状态。d在不同升力条件下，通过知识驱动模型仿真和实际实验获取的数据点。e使用机器学习训练后建立着陆行为的数据驱动模型。f若数据驱动模型预测着陆失败，机器人将中止着陆、飞离墙面，并准备再次尝试着陆。g机器人执行新的着陆。当其再次接近着陆表面时，通过数据驱动模型重新进行预测。h若数据驱动模型预测着陆成功，则机器人着陆于墙面上。
研究团队独立创新性地提出了一种“模拟-学习”协同的预测与设计框架。团队首先设计并研制了一款仿生多模态机器人，其尾部采用柔性缓冲设计，足端装有仿甲虫爪刺的微棘刺结构。基于此，建立了高保真的接触-碰撞动力学有限元模型（知识驱动模型），通过大量模拟和实验测试精准解析了不同初始条件下的停靠结果，归纳出“完美着陆”、“正常着陆”、“低动能失败”、“反弹失败”四种典型模式，并明确了成功停靠的参数边界。
图2 知识驱动模型与典型栖息行为。a用于瞬态动力学分析的有限元离散模型。b-d关键参数设置。e四种典型停靠行为的爪刺合速度曲线及成功/失败参数区域总结。f-k对应不同停靠行为的机器人姿态与结构应力云图。
为解决传统仿真计算耗时长、无法快速遍历所有设计参数的瓶颈，团队开创了“从模拟到学习”的新路径。他们将知识驱动模型产生的大规模仿真数据与物理实验数据相融合，构建了混合样本数据集，并以此训练了多层感知机等数据驱动模型。该模型能够根据机器人接近墙面时的实时状态，在毫秒级时间内预测停靠成功概率，准确率超过97%。研究表明，该预测框架不仅能实现实时风险规避（预测失败则调整飞离），更能反向指导机器人结构的闭环优化设计。通过将预测模型嵌入设计循环，可自动寻优着陆杆长度、角度等关键几何参数，极大地缩短设计-验证周期。
研究成果为飞行机器人面对复杂动态环境栖息时的智能感知、实时决策与结构一体化设计提供了通用性框架与标准化技术路径，对推动高性能、高自主性机器人系统的发展具有重要意义。
上述工作得到了江苏省自然科学基金和中国航空科学基金的支持。
论文信息:Yunian Shen,Chenxi Mao,Zeyu Qi,Kunpeng Liu,Weixu Zhang&An Cao,Machine learning-based framework for wall-perching prediction of flying robot. Nat. Commun. 16, 11038 (2025).论文链接：https://www.nature.com/articles/s41467-025-67386-0
