文章核心观点 - 北京科技大学等团队造出翅膀几何形状可调的仿生扑翼机器人USTButterfly-II，用19对翅膀真飞95次积累数据，再以深度强化学习在三维形态空间搜索最优翅膀，升力性能参数提升339%、推力性能参数提升46%，真机验证预测误差不到7% [3] - 该研究登上Nature子刊《npj Robotics》，据论文称此前没有把深度强化学习用于仿生扑翼机器人翅膀形状优化的先例 [3][29] - 研究意义在方法层面，用可控机器人实验加机器学习，把“翅膀形状-飞行性能”变成可搜索、可验证的问题，为仿生机器人设计者提供按需定制的工具 [28][29] 研究背景与实验平台 - 直接观察活蝴蝶存在个体轨迹不一致、物种差异大、光照环境干扰等问题，风洞静态翅膀模型丢失真实拍动过程，纯CFD仿真成本低但与物理样机有偏差、扑翼姿态变化和翼身耦合难完全复现 [5] - 团队选择造一只“替身”：仿生扑翼机器人USTButterfly-II全重48.3克，翼展57.5厘米，最大弦长37厘米，额定拍动频率5 Hz，扑动幅度84° [6] - 该机器人用单电机加减速器，通过双曲柄双摇杆机构带动两侧翅膀同步拍动；翅脉用碳纤维和玻璃纤维，翼膜为0.03毫米厚氯化聚乙烯（CPE）材料，靠材料柔性产生被动变形，采用无线控制，团队至少经历五次重大迭代才从系绳测试走到稳定无绳飞行 [8] 翅膀形态参数与真飞实验设计 - 团队提炼三个翅膀形态参数（WMP）给翅膀编码：前翅后缘收敛比、前翅特征长度、后翅特征长度，三参数互相独立各做7档，共用基准样本，最终得到19对仿生翅膀，每对飞5次共95次重复实验 [11] - 团队分析172只凤蝶标本图像，发现36只的形态参数分布范围与仿生翅膀重合，其中7种Parides属蝴蝶与仿生翅膀形态相似度较高，机器蝴蝶的形态变化区间落在真实蝴蝶自然分布范围之内 [13] - 飞行性能用五个飞行特性参数（FCP）量化：上升角、飞行速度、拍动频率、前进比、前后翅相位差；实验在7.2米×12米房间进行，14台Optitrack Prime 17W相机以最高360 fps追踪机身和翼尖共7个反光标记点，平均速度低于1.55 m/s算失速、平均上升角低于-5°算坠落 [13] - 统计显示三个形态参数对飞行性能都有显著影响：翅尖收得越尖翼尖涡越弱升力越好，翅尖越圆面积矩越靠外推力越足，前翅越长爬升越利索，后翅适当缩小同样有利于爬升，短翅膀阻力矩小、拍频高更敏捷 [13] AI搜索方法与机制 - AI采用深度强化学习中的深度Q网络（DQN），先让神经网络学习“翅膀参数→飞行性能”的代理模型，给一组翅膀参数即可预测飞行表现，训练时不用每次都真飞；代理模型预测值与真实值相关系数训练集0.97、测试集0.9，因数据成本高样本少采用贝叶斯正则化防止过拟合 [14] - DQN搜索中状态是当前三个翅膀参数，动作是每个参数加一档或减一档共6个离散动作，奖励看飞行性能 [16] - 论文加入多步记忆机制，奖励不只看眼前一步，而是把内存池历史性能分新旧两段用两段均值差参与奖励，防止训练轮次有限时陷入局部最优 [17] - 论文加入边界缓冲机制，参数撞“墙”时不立刻判回合结束，只回滚越界那一维、其余维度继续更新，等于环境主动挽留智能体再探索几步 [17] - 对照无这两个机制的版本，升力目标优化性能提升33%，推力目标提升11% [18] 优化成绩与真机验证 - AI将升力性能参数从2.23推到9.8，提升339%；真机测试中装上升力优化翼的机器人蝴蝶平均上升角达32.7°，爬升特征明显，论文称其有充足载荷冗余，更适合需要往上爬、带载荷的场景 [22] - 仿真与真飞对得上，两个目标相对误差分别为1.6%和-6.6%，均低于7%；与19个单参数变异翼里性能最好的那个相比，升力优化翼平均上升角高59%（后者20.6°），推力优化翼平均速度高19%（后者2.6 m/s） [24] - 推力性能参数从0.56提到0.82，提升46%；对应飞行速度从1.98 m/s提高到2.92 m/s，提升47%；真机测试中平均速度达3.1 m/s，保持大致水平飞行，升力降低并未导致高度损失 [25] - 单参数实验是一个一个试，AI在三维空间组合搜索结果确实更好；应用方向明确：要载荷、要爬升选升力翼，要快速侦察救援选推力翼；该“代理模型+强化学习”框架不只能用于仿生扑翼机器人，固定翼、旋翼的气动优化也有迁移空间 [27] 研究局限与未来方向 - 目前机器人蝴蝶不能完全复制真实蝴蝶复杂的空气动力学机制，从机器人实验得到的形态—性能关系不能直接外推到真实蝴蝶 [28] - 当前形态变异采用单因素实验，未考虑多个参数之间的交互，未来要做多因素实验 [28]