用“俄罗斯方块”进化微型机器人，跑得更快

PaperWeekly 09月30日 23:51

同济大学任捷教授团队创新性地将自然选择法则应用于微型机器人设计。他们以“俄罗斯方块”为基本模块，通过“数字世界设计”与“现实世界反馈”的AI算法闭环优化，让微型机器人形态在模拟制造与测试中不断进化。该方法解决了传统像素级设计在可制造性上的难题，通过“形状-旋转-位置”四元组嵌入约束，确保设计可以直接制造。在硬件闭环中，3D打印与振动测试平台实时反馈真实性能，使机器人从随机“肉球”在30轮内演化出速度高达25.27mm/s的新物种，展现出“前肢-躯干-尾巴”的器官化布局，远超随机搜索的性能。

🤖 **模块化设计与可制造性提升：** 研究团队将传统的像素级设计替换为“俄罗斯方块”模块，并采用“形状-旋转-位置”的四元组来编码微型机器人的形态。这种方法将连通性、边界和静稳定性等约束内嵌到生成过程中，显著提高了设计的可制造性，解决了随机抽样难以获得“能做、能跑”形态的难题，为后续的进化提供了大量可用的设计。

⚡ **硬件在环的真实世界反馈：** 整个优化过程在一个“设计—制造—测试—再学习”的闭环系统中进行。算法生成候选形态后，通过3D打印制造出实体，并在振动测试平台上进行真实的速度测试。高速度相机捕捉位移数据，并将真实的速度反馈给模型，确保学习到的形态是现实世界中的最优解，而非理想仿真中的纸面结果。

📈 **高效的闭环进化策略：** 该闭环系统在30轮内成功将微型机器人的最高速度从随机状态提升至25.27mm/s。进化过程分为探索、过渡和精修三个阶段，通过随机森林、随机蒙特卡洛采样和遗传算法的结合，有效地在庞大的可行空间中寻找高性能形态，避免了过早收敛或盲目搜索，展示了智能优化在离散拓扑设计中的强大能力。

🧬 **“嗜极兽”的器官化形态密码：** 进化出的高速微型机器人展现出稳定的三段式体型结构：具有稳定支撑作用的“前肢”带，传导振动能量的刚性“躯干”通道，以及用于减阻和产生净前进的“尾巴”。这种“器官化”布局是自然选择的体现，能够高效利用能量并产生前进动力，而低性能体型则表现为“空洞无序”，能量耗散严重。

原创让你更懂AI的 2025-09-30 14:03 北京

物竞天择，优胜劣汰。

“玛娜生态，末日废土，跑得最快的噬极兽。”

在《灵笼》的世界里，谁更适应环境，谁就活下来——“跑得最快”的物种在废土中率先突围。现在，科学家把这条自然法则搬进现实的设计室：把俄罗斯方块当作可拼接的“器官”去编码微型机器人的形态，在统一外场里让形态经历真的制造与真的筛选，一次次被“选择”，一次次再生长。

导语：从随机“肉球”到会跑的“新物种”

同济大学物理科学与工程学院/上海自主智能无人系统科学中心任捷教授团队，扮演“女娲”的角色：采用俄罗斯方块作为微型机器人形态编码的基本模块，结合“数字世界设计”与“现实世界反馈”的 AI 算法，进行闭环优化的“功能-形态”进化（如图 1，视频 1）。

物竞天择，优胜劣汰。该闭环系统，从一片随机混沌编码的“弗兰肯斯坦”的肉球中，在 30 轮内演化出了一种新物种形态，最高速度提升到 25.27 mm/s，得到“跑得最快”的“微型机器人”的形态设计。

▲ 图1：“设计—制造—测试—再学习”的闭环流程。从“方块拼形状”的生成（A），到最终形态（B）与 3D 打印样件（C）、振动测试平台（D），再到位移—时间曲线（E）的闭环总览。

为什么要用“方块器官”而不是像素点？

离散几何世界里，像素级（0/1）设计可制造解极稀疏，随机抽样几乎碰不到“能做、能跑”的形态。

任捷团队把像素换成“俄罗斯方块”（I/J/L/O/S/T/Z），在 15×15 网格中以“形状—旋转—位置”四元组拼成整机，连通、边界、静稳等约束在生成时就内嵌，做到“拼出来就能做”。

统计对比显示，方块表示把“可直接制造的候选”从几乎不可遇，提升到一次采样就能拿到大量可用设计的量级，为后续闭环提供了“能下场的个体池”。

不止在电脑里跑：每一轮都“真打真测”

团队把 3D 打印与振动测试台接成一条“传送带”：算法提出候选形状 → 打印 → 上台 → 高速度相机测位移 → 把真实速度喂回模型（如图 1D–E）。

函数发生器 → 功放 → 电动激振器 → 钢盘 → 样件的单向信号链，能量与“控制”全部在外场，几何形态是主变量；导轨只约束自由度、并不承重，确保“跑得快还是慢”来自形状差异。

这样的硬件在环闭环，使得学习到的是现实里的最佳形态，而不是理想仿真里的纸面解。

闭环如何推进：探索 → 过渡 → 精修

算法以随机森林为替代模型，配合随机蒙特卡洛采集在“有潜力且不确定”的区域多探几下，再用遗传算法在可行空间里做微变异与多样性约束，既不早早收敛，也不盲目乱撞。

速度曲线显示，第二轮就越过了 20mm/s 的门槛，第 26 轮出现 25.27mm/s 的峰值，此后在高性能邻域内打磨，整体分布持续右移（如图 2）。这条轨迹，正是从“什么都不知道”到“有章可循”的生长轨迹。

▲ 图2：探索→过渡→开采三阶段，30 轮内的速度分布与参数空间收缩；红星为第 26 轮的 25.27mm/s 峰值。

“嗜极兽”的体型密码

有趣的是，被自然选择出的“会跑的新物种”，其体型并非杂乱无章，而是稳定呈现三段式：

前缘保留一条连续材料带，像“前肢”一样稳定支撑；

中段形成刚性“躯干”通道，把竖向激振的能量有效前传；

尾部则适度挖空变成“减阻尾”。

高速相机拍到的杠杆效应显示：受激时尾端可抬起约 2.1 mm，接触点前移，产生净前进（如图 3C）。低性能体型则常常“空洞无序”，能量被耗散。这套“前肢—躯干—尾巴”的器官化布局，正是闭环选择出来的高适应度结构。

▲ 图3：高/低性能体型对比与尾部 2.1mm 抬升的高速成像

真的更强：与“纯随机”正面对照

在同等评估预算下，离线随机搜索几乎一直被卡在 20mm/s 以下；闭环第二轮就跨过去了，并在后续不断刷新峰值（见图 4）。最终，两者的速度天花板分别停在 13.39mm/s（随机）与 25.27mm/s（闭环）。

换句话说，即便在“全离散、强约束”的高维空间里，现实反馈 + 聪明取样也能显著缩短找到好形态的路径。

▲ 图4：闭环优化 vs. 离线随机的最高速度对比曲线。

不止一台“会跑的小怪兽”

这套“表示—约束—闭环”方法与硬件解耦。我们把同样的流程迁移到 Trap‑64、0–1 Knapsack‑250、Max‑Cut‑128 三个纯组合基准上，在固定预算下持续优于随机基线，显示出对离散拓扑任务的普适性，可拓展到柔性执行器、机械超材料等。

相关代码与数据已在 Zenodo（DOI：10.5281/zenodo.14978583）开放，便于复现与二次开发。

一句话带走

把像素换成部件、把约束前置到生成、把学习拉回现实闭环，形态就会在统一外场里被自然选择出来：能做、好用、跑得快。这既是一个振动微型机器人的故事，也是离散拓扑优化在材料与制造中的一条通路。

本文来自同济大学任捷研究团队原创研究工作，相关代码与数据已在 Zenodo 开放获取。研究得到国家重点研发计划和上海市自然科学基金等项目支持。

近年来，任捷教授团队在人工智能×物理学的学科交叉方面取得了一系列进展，包括基于流形扩散的无监督学习对拓扑物态的分类、多目标优化的二维功能材料与器件设计、辐射制冷人工微结构设计、神经网络自编码逆向设计拓扑光学传感结构、基于伪逆学习的光电混合的神经网络、人工智能新范式设计多孔介质、药物设计、超低热导材料等，并受邀为中国物理学会的《物理学报》撰写“物理启发的人工智能”相关综述，相关成果形成了一套具有自主知识产权的计算机软件著作权 Darwin Machine for Multi-Functional Meta-Crystal Design Platform。