FlexWorm 是一套面向吸附式软体机器人的规划系统，能够协调吸附、身体变形、运动与碰撞规避，让机器人在复杂的三维表面上爬行。它采用双层架构，将贴合表面的引导与局部接触规划结合起来，并通过检索可复用的运动基元，加快重复动作的执行，为这类特殊机器人走向自主巡检与导航提供了更具实用性的路径。
目录
研究人员构建了什么？
FlexWorm 是一套面向多节软体机器人的分层运动规划框架。这类机器人依靠吸附装置在表面移动。系统没有把整个可变形机器人视为一个持续变化、难以处理的整体，而是将规划拆分为规模更小、便于处理的局部问题。
规划器需要同时处理两类决策。连续决策描述机器人身体如何弯曲、伸展和调整位置；离散决策则描述接触状态如何变化，例如哪些吸盘保持吸附、哪个吸盘释放，以及下一处吸附应建立在哪里。正因为同时处理这两类决策，该系统被称为混合接触—运动规划器。
第一个组件称为逆运动学混合搜索（inverse-kinematics hybrid search，IKHS），它将现有的吸附点作为锚点。由锚定 հատված划分出的部分成为可独立规划的自由身体块。规划器不必反复为整个机器人每一节求解，而是将计算集中在需要移动的部分，同时保留其余身体的接触结构。
第二个组件称为基元增强混合搜索（primitive-augmented hybrid search，PaHS），它为系统加入了可复用的局部运动库。当机器人遇到与此前已验证运动过程相似的动作时，规划器会检索相应的运动模式并加以调整，而不是从头开始搜索。
两个组件结合起来，旨在支持机器人在弯曲、不规则以及其他难以处理的三维表面上进行长时程移动。
取得了哪些关键结果？
这项工作的主要成果，是提出了一套将全局表面引导、局部接触推理和可复用运动模式整合到同一流程中的规划架构。系统一方面让机器人持续朝有用的表面位置前进，另一方面检查每个局部动作能否满足决定其物理可行性的约束。
IKHS 提供了结构化搜索层。它利用吸附形成的锚点缩小每个逆运动学问题的规模，使长序列的接触与运动决策比每一步都进行全身规划更易处理。PaHS 则进一步加入数据驱动的动作提议，让重复出现的局部动作可以通过检索运动基元得到，而不必每次都重新进行完整搜索。
该框架还针对检索到的运动基元不适合当前几何形状的情况设置了保护机制。此时，逆运动学优化会调整动作提议，而 IKHS 的回退分支则保留其他搜索选项。这样的设计避免规划器完全依赖此前见过的运动。
论文提供的内容没有给出数值化的成功率、规划时间、路径代价或加速比，因此，负责任的总结不应报告具体的基准对比数字。现阶段能够明确概括的贡献，是规划器的整体结构：可复用的局部行为能够加快搜索，而物理感知验证与回退搜索则维持搜索覆盖能力。
FlexWorm 如何工作？
FlexWorm 采用分层规划，而不是对整个机器人和整个表面一次性执行昂贵的全局优化。
在全局层面，近表面引导过程会提供一条大致路线。这条路线优先保证机器人沿目标表面或其附近持续前进，为长距离移动提供方向。全局引导不必解决每一次吸附转换或每一处身体变形；它的作用是避免局部搜索偏离任务目标。
在局部层面，规划器负责处理全局引导尚未解决的细节，包括吸附可行性、身体变形、碰撞以及机器人的接触状态。吸附式软体机器人不能简单地沿着一条几何路径移动：某个节段必须能够抵达可用的吸附位置，已经吸附的部分必须能够支撑计划中的动作，而持续变形的身体还必须避开障碍物和自碰撞。
IKHS 使用由当前吸附模式形成的锚点来表示这些局部决策。吸附模式描述某一组吸附点处于吸附或释放状态的具体组合。锚点确定后，机器人会被划分为若干自由身体块。随后，逆运动学计算这些运动块抵达新姿态所需的构型，同时将锚定结构继续纳入约束系统。
PaHS 则在这一过程中加入运动基元库。系统会保存经过验证的运动过程作为局部动作，并通过学习得到的检索机制，找出与当前规划情境相似的运动基元。检索到的基元只是经过引导的动作提议，并非保证可行的最终答案。逆运动学优化会根据当前表面和接触布局对其进行调整；如果调整失败，规划器便回到 IKHS，探索回退分支。
这种安排结合了三项规划优势：
- 全局方向让长时程导航始终聚焦于任务目标。
- 局部逆运动学限制了反复进行可行性检查时的问题规模。
- 运动基元检索让机器人面对重复出现的动作时能够复用既有经验。
最终形成的规划器既能利用过去的运动数据，又不会牺牲基于模型的验证。
FlexWorm 对机器人技术为何重要？
许多机器人之所以表现出色，是因为它们的身体刚性高、接触点可预测，而且运动规划器只需在规模较小的构型空间内工作。吸附式多节机器人面对的却是相反的情况：身体会发生变形，可用接触点会随运动改变，而吸附或碰撞检查中的一个小误差，都可能让整个动作失效。
因此，FlexWorm 对巡检系统具有现实意义。这类系统可能需要沿管道、储罐、曲面基础设施、飞机表面或其他车轮和刚性夹具难以应对的环境移动。柔性分节身体可以将接触分布到表面上，并处理传统移动平台难以适应的形状。
按身体块进行规划的结构还解决了一个重要的部署问题：在线规划必须反复检查可行性，却不能每一步都承担高保真全身模型的全部计算成本。在包含重复特征的环境中，可复用运动基元尤其有价值，例如接缝、弯曲部位、面板、阀门或间隔规律的巡检点。
FlexWorm 并不是传统工业机器人的替代品。它代表的是一种面向特殊任务的规划思路：当刚性工业机械臂或移动平台无法抵达所需表面时，为这些任务提供新的方案。在混合型设施中，传统机器人可以负责固定工位，而可变形吸附机器人则能够进入几何结构复杂的巡检区域。
有哪些局限与待解问题？
该框架仍然依赖可靠的模型和接触验证。吸附性能可能受到表面材料、曲率、污染、泄漏、负载以及局部缺陷的影响。在仿真或受控硬件试验中表现良好的规划器，面对这些条件变化时，可能仍需要额外传感和重新校准。
运动基元库也带来了覆盖范围问题。当新的情形与已存储动作相似时，检索机制很有价值；但面对陌生几何形状时，系统仍需依赖回退搜索。因此，PaHS 的效果取决于运动库对机器人工作环境的覆盖广度，以及学习到的检索系统能否将合适的基元匹配到新的情境。
论文将更广泛的硬件验证和更丰富的应用场景列为未来工作。重要的测试包括长时间吸附、反复吸附循环、性能退化的表面、传感不确定性，以及吸盘失效后的恢复能力。与成熟规划器进行数值对比，也有助于进一步厘清速度、规划质量和搜索完整性之间的权衡。
常见问题
FlexWorm 面向什么类型的机器人？ 它面向依靠吸附在表面移动的多节软体机器人。
FlexWorm 与普通路径规划有何不同？ 它同时规划连续的身体运动和离散的接触变化，包括吸附与释放动作。
该系统中的运动基元是什么？ 运动基元是从经过验证的机器人运动过程中提取出的可复用局部动作，并会根据新情境进行调整。
FlexWorm 是否不再需要基于模型的规划？ 不是。检索到的运动会通过逆运动学进行检查和优化；当某个基元失败时，回退搜索仍会保留其他方案。
结论
FlexWorm 将表面层面的引导、基于锚点的局部规划、可复用运动基元和物理感知验证结合起来，服务于吸附式软体机器人。它的核心理念，是通过对当前活动身体部分进行局部求解，同时为陌生情形保留回退搜索，让复杂的可变形机器人规划变得更易处理。
哪类巡检任务最能从吸附式可变形机器人中受益？