科学家真的给人形机器人装上了喷气背包，让它飞了起来。

不是那种绑几个螺旋桨就完事的做法，而是实打实的4台涡轮喷气发动机，总推力64公斤，妥妥的硬核飞行。

更硬核的是，他们还用深度学习解决了一个让航空工程师头疼的难题：怎么让一个完全不符合空气动力学的人形机器人，在天上保持平衡？

这项研究来自意大利技术研究院（IIT）的研究团队，近日发表在Nature（全球最具影响力的科学期刊之一）的子刊Communications Engineering上。

▍为啥非要让人形机器人飞？

话说回来，让机器人飞这事儿其实不新鲜。四旋翼无人机满天飞，各种奇形怪状的飞行器也层出不穷。

但大部分飞行机器人都有个通病：为了飞得久，拼命减重，结果能力有限。要么就是专门为飞行设计，落地之后也是能力有限。

意大利技术研究院团队的思路很有意思：与其从头设计一个会飞的机器人，不如给现成的人形机器人加个飞行模块。

他们选中的是iCub v2.7，这可是个明星机器人，双足行走、双手操作都能实现。

改造后的iRonCub-Mk1重达43.3公斤，比原版重了10公斤。

为啥选喷气发动机而不是电动螺旋桨？团队算了笔账：40公斤的机器人飞5分钟，用电动推进需要26.31公斤电池，用喷气发动机只要4.61公斤燃料。这差距，懂的都懂。

最终配置是这样的：背上两台JetCat P220-RXi，每台22公斤推力，负责把机器人举起来；两个前臂各装一台P100-RX，10公斤推力，负责调整姿态。

有意思的是，他们把前臂的手直接拆了，换成喷气发动机。虽然少了抓取能力，但想想看，一个喷着火焰的机器人向你飞来，谁还在乎它有没有手？

▍把机器人扔进风洞，看看会发生什么

机器人造好了，但怎么飞是个大问题。

人形机器人的外形，从空气动力学角度看简直是灾难。方方正正的身体、伸出来的四肢，妥妥的空气制动器。

为了搞清楚空气到底怎么把机器人捧上天，研究团队把iRonCub-Mk1搬到了米兰理工大学的风洞里。

这个风洞可不简单，低湍流测试段4米×3.84米，最高风速55米/秒。机器人被固定在一个可以远程控制的支架上，能调整各种角度。

实验设计了两种场景：

悬停测试：机器人保持直立（像站着一样），测试横风的影响。

飞行测试：机器人倾斜不同角度，模拟真实飞行姿态。

为了测得准，团队在机器人身上装了124个压力传感器，还用六分量应变计测量整体受力。结果发现了几个有趣的现象：

首先，风速对阻力的影响没想象中那么大（误差小于5%），但机器人姿态的影响巨大，不同姿势能让阻力变化20%。其次，95%的阻力来自压差阻力。也就是说机器人后面形成了一个巨大的低压区，像个吸盘一样把它往后拽。

最扎心的是，测试显示机器人的空气动力学效率极低。机器人还没有针对空气动力学进行优化"。翻译一下：这玩意儿飞起来纯靠力大砖飞。

▍CFD模拟：让计算机也"吹"一遍

风洞实验虽好，但太贵了。要训练AI，需要海量数据，总不能在风洞里吹个几千次吧？

于是团队转向了计算流体力学（CFD）模拟。用ANSYS Fluent软件，求解雷诺平均纳维-斯托克斯方程（RANS），配合SST k-ω湍流模型。

但这里有个技术难题：机器人的几何形状太复杂，如果用高精度网格，一次模拟要算好几天。

研究人员很机智地做了个权衡分析：把网格从953万个单元简化到33万个，计算时间缩短了97%，但误差只增加了不到5%。

用这个"快速但不太粗糙"的方法，他们搞了个自动化框架，最终生成了8500个模拟案例的数据集：24种关节配置、19个俯仰角、18个偏航角。

为了验证准不准，团队还用GPU跑了个格子玻尔兹曼方法（LBM）模拟。两块NVIDIA A100跑了两天，误差小于1%，但这计算成本... 还是RANS香。

▍深度学习上场：让AI当空气动力学专家

有了数据，接下来就是AI的主场了。

研究团队设计了一个深度神经网络（DNN），输入是22维（风向+19个关节角度），输出是39维（13个部件的3个力分量）。

网络结构挺豪华：9个全连接层，每层1048个神经元，ReLU激活函数，还加了10% dropout防过拟合。

用PyTorch在NVIDIA RTX A4500上训练60000轮后，验证集上的相对均方误差达到了3×10^-6。啥概念？就是AI预测的空气动力，和CFD算出来的几乎一模一样。

但光有精度还不够，实时控制需要快速计算。所以团队又搞了个"轴对称模型"，假设每个部件都是独立的圆柱体，忽略相互影响。

虽然精度差了一个数量级，但计算贼快，而且有物理意义，适合放到控制器里。

▍控制算法：让机器人在风中凌乱而不倒

有了空气动力模型，最后一步是设计飞行控制器。

核心思想是稳定质心动量。说白了，就是让所有外力（重力、推力、空气动力）的合力始终指向想去的方向。

研究团队在原有的动量控制器基础上，加入了空气动力补偿项。控制器会实时计算需要的推力和关节运动，通过一个二次规划（QP）问题求解最优控制输入。

仿真测试设计得很严格：机器人要完成一个包含起飞、悬停、前进、侧移等动作的飞行包线，全程都有风干扰。

结果对比相当明显：

基线控制器（忽略空气动力）：机器人失去平衡，直接摔了

空气动力感知控制器：顺利完成所有动作，关节误差保持在可控范围

更狠的是鲁棒性测试。研究人员故意在模拟器里用高精度DNN模型，控制器里用简化模型，相当于让控制器"看走眼"。

结果？照样能飞完全程，就是动作有点抖。这说明啥？说明这套方案不是实验室里的花架子，真到了现实中有误差也扛得住。

▍现实很骨感：为啥还没飞上天空？

看到这你可能要问：说了这么多，离地飞是飞起来了，咋没看到真飞在天空中的视频？

研究团队也很无奈，列了一堆现实困难：

喷气发动机温度太高，有毒气体也不少，室内飞不了

室外飞行没法精确控制实验条件

机器人还没装风速传感器

iCub的手臂是缆绳驱动的，响应太慢

所以目前只能做地面实验：机器人站在地上，控制器里注入虚拟的风力，看它会不会正确地调整姿态。

结果还不错，面对虚拟的正面风，机器人会通过脚踝前倾来对抗；遇到侧风，会调整髋关节和踝关节来保持平衡。

虽然没真飞上天空，但至少证明了控制算法是靠谱的。

▍后续：不只是会飞的人形机器人

这项研究的意义，远不止让机器人飞起来那么简单。

从技术角度看，这是首次系统地研究人形机器人的空气动力学，建立了完整的建模、仿真、学习、控制流程。这套方法论不仅适用于人形机器人，任何形状复杂的飞行器都能用。

从应用角度看，会飞的人形机器人在搜救、勘探、基础设施检查等领域潜力巨大。想象一下，地震后的废墟里，机器人可以飞过障碍物，落地后用双手清理瓦砾，这是现有任何机器人都做不到的。

研究团队也坦诚地指出了未来的改进方向：

硬件上，需要更快的手臂驱动，集成风速传感器

建模上，要考虑非稳态效应和可压缩性

设计上，可以加装机翼或可变形外壳，提高空气动力学效率

控制上，不只是对抗空气动力，还要学会利用它

最有意思的是，他们提到未来可能会用物理信息神经网络（PINN），结合实时传感器数据，实现更准确的预测。

这就像给机器人装上了"空气动力学直觉"，能预判风的变化并提前应对。

说到底，这项研究展示了一个趋势：未来的机器人不会局限于单一的运动模式。它们会走、会跑、会飞，甚至会游泳。而要实现这一切，不仅需要机械和控制的创新，更需要AI来处理日益复杂的物理交互。

从iCub到iRonCub，从地面到天空，意大利团队用实际行动证明：只要脑洞够大，工程够硬，没有什么是不可能的。

下一步，就等着看这个43公斤的大家伙真正飞起来的那一天了。到时候，可能真的要改名叫Ironman了。

更多关于人形机器人赛道深度文章可在“人形机器人发布”公众号中查看，欢迎前来关注。