“ 真飞95次，AI“搜”出最优翅膀。
蝴蝶翅膀长什么样，不是蝴蝶自己说了算，是亿万年进化写定的图纸。那如果把设计权交给AI，会怎样？
北京科技大学等团队真做了这件事。他们造了一只翅膀几何形状可调的仿生扑翼机器人，给它换上19对不同形状的翅膀，在运动捕捉相机注视下飞了95次，攒出一套真实飞行数据；再让深度强化学习在三维形态空间里自己“搜”翅膀。
结果，机器人的升力性能参数提升339%，推力性能参数提升46%；AI选出的翅膀造出来真飞，预测误差不到7%。这项研究于近日登上Nature子刊《npj Robotics》。
01.
先造一只“能换翅膀”的机器蝴蝶
研究蝴蝶翅膀和飞行性能的关系，最直接是看活蝴蝶。但活蝴蝶有自己的想法，同一只重复飞，轨迹每次不一样。不同物种差异更大，光照、环境还会添乱。用风洞实验吹静态翅膀模型呢？又丢掉了真实拍动过程。纯CFD仿真成本低，但仿真模型与物理样机有偏差，扑翼飞行姿态变化和翼身耦合也难完全复现。
团队的办法是造一只替身。
这只仿生扑翼机器人叫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°。
它用单电机加减速器，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，翼膜是0.03毫米厚的氯化聚乙烯（CPE）材料，靠材料柔性产生被动变形。论文介绍它采用无线控制，团队至少经历了五次重大迭代，才从系绳测试走到稳定的无绳飞行。
扑翼驱动模块和航空电子系统
02.
19对翅膀、95次真飞，先算清翅膀账
AI入场前，研究团队先做笨功夫。
蝴蝶翅膀形状复杂，单靠展弦比、翼展说不全。他们提炼出三个翅膀形态参数（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。
三个参数互相独立，各做7档，共用基准样本，最终得到19对仿生翅膀。每对翅膀飞5次，共95次重复实验。
像不像真蝴蝶？团队分析了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。换句话说，机器蝴蝶的形态变化区间，落在真实蝴蝶的自然分布范围之内。
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。实验在一间7.2米×12米的房间进行，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。分析前先剔除异常状态，平均速度低于1.55 m/s算失速，平均上升角低于-5°算坠落。
统计结果显示，三个形态参数对飞行性能都有显著影响。从单参数规律看，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。
机翼形态变化对飞行性能的影响
03.
AI在三维空间里搜翅膀
随后加入进来的AI其实是深度强化学习（DRL），具体用了深度Q网络（DQN）。它干两件事。
第一，先让神经网络学一套“翅膀参数→飞行性能”的经验公式，也就是代理模型。给一组翅膀参数，它预测大概飞得怎样，这样训练时不用每次都真飞。论文中代理模型预测值与真实值的相关系数，训练集0.97，测试集0.9；因为数据成本高、样本少，训练时用了贝叶斯正则化防止过拟合。
第二，DQN在这个环境里搜索。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。
论文还加了两个机制。
一个是多步记忆机制。奖励不只看眼前一步，而是把内存池里的历史性能分成新旧两段，用两段均值差参与奖励，像人凭经验做决策，也像给波动加了一层移动平均滤波，防止训练轮次有限时陷入局部最优。
另一个是边界缓冲机制。参数撞“墙”时不立刻判回合结束，只把越界的那一维回滚，其余维度继续更新，等于环境主动挽留智能体再探索几步。
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%。
基于DRL的机翼形状空气动力学优化
04.
成绩单：升力+339%，推力+46%
AI在电脑里搜出最优翅膀参数后，团队优化结果把翅膀造出来，装到USTButterfly-II上，回到同一间运动捕捉房间做真机飞行测试。同样投掷起飞，同样保持恒定油门，每只翅膀飞5次取平均，再和仿真预测对比，算相对误差。
基于运动捕捉系统的飞行实验示意图。曲线代表飞行轨迹，不同颜色代表不同的飞行阶段。左下角的子图提供了该轨迹的右视图。USTButterfly-II 的颜色渐变指示了飞行的起点和终点。锥形阴影区域代表偏航角的确定范围。右侧的两个子图展示了标记点的配置。
先看升力优化版。AI把论文定义的升力性能参数从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到32.7°，爬升特征明显，论文说它有充足载荷冗余。简单说，这版更适合需要往上爬、带载荷的场景。
再看推力优化版。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，这只平均速度达到3.1 m/s，保持大致水平飞行，升力降低并没有导致高度损失。
更关键的是，仿真和真飞对得上。两个目标的相对误差分别为1.6%和-6.6%，都低于7%。横向对比也能说明问题，和19个单参数变异翼里性能最好的那个比，升力优化翼的平均上升角高59%（后者20.6°），推力优化翼的平均速度高19%（后者2.6 m/s）。
单参数实验是一个一个试，AI则是在三维空间里组合搜索，结果确实更好。
应用方向也就清楚了，要载荷、要爬升，选升力翼；要快速侦察救援，选推力翼。论文还认为，这套“代理模型+强化学习”的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。
05.
未来与结语
当然，研究团队也表示，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。另外，当前形态变异采用单因素实验，没考虑多个参数之间的交互，未来要做多因素实验。
这项工作的意义在方法，用可控机器人实验+机器学习，把“翅膀形状-飞行性能”变成可搜索、可验证的问题。
论文称，据他们所知，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。AI不是替蝴蝶进化，而是给仿生机器人设计者一个可搜索、可验证的新工具。亿万年写定的翅膀图纸，现在多了一个按需定制的起点。
论文链接：https://www.nature.com/articles/s44182-026-00116-w
