为了让机器人能跨越各种地形，波士顿动力开发出了人形机器人和机器狗，以其超高的关节自由度，彻底摆脱了轮式机器人的地形限制。

  最近，加州理工学院、喷气推进实验室和美国东北大学联合研发了一款多运动模式、移动可变形机器人（Multi-Modal Mobility Morphobot，简称M4），用变形的方式改进了轮式机器人的地形可穿越性。

  M4重约6千克，推力约9kg，轮子直径约30厘米，机身搭载底层控制和数据收集的机载计算机，传感器（编码器，惯性测量单元，立体相机）、用于远程操作的通信设施、关节执行器、推进电机、电力电子设备和电池。

  这个看似平平无奇的小车能轻松实现八种运动姿态：飞行、滚动、爬行、下蹲、平衡、翻滚、侦查、局部操作。

  比如需要飞行的时候，轮子可以直接变成无人机的螺旋桨起飞，无视任何陆地复杂地形。

  甚至还能把小车变为行走状态，可以更方便地观察障碍物，并使用两个轮子继续前进，并实现爬坡、翻滚等，最大可以穿越45度的陡坡。

  不过目前的行走状态还只是初代版本，仍然受限于轮式机器人的运动能力，未来M4还会考虑改进以穿越非连续的破碎地形。

  除了强大的机械能力外，研究人员还给M4配备了AI系统和各种传感器，可以在复杂环境中进行自主导航决策，并已在加州理工学院内的户外场景完成了导航测试。

  机器人运动上的灵活性，再加上人工智能技术辅助，使得M4能够准确的通过前方地形选择最有效的运动形式。

  比如使用M4探索陌生环境时，可以先用四个轮子沿着地面前进，这也是最节能的模式；当前方出现类似巨石这样的障碍物时，M4可以用两个轮子站起来，从上方观察前方地面路况，假如是峡谷或者其他轮式机器人无法穿越的地貌，就可以将轮子变为螺旋桨直接飞过去。

  M4的应用场景十分普遍，可以将伤员无障碍地送往医院、数字农业、开展搜索行动等，比如下面的例子中，M4可以在倒塌的建筑中进行外部部署，然后利用高机动性迅速抵达和降落在常规机器人（纯轮式或无人机等）没办法进入的地带。

  大自然给了人类无穷的设计思路，启发了人类创造出各种算法和机器人的关节结构，M4机器人的设计灵感大多数来源于于自然界中各种利用附肢的动物。

  有些鸟类，如石鸡（Chukars）和麝雉（Hoatzins）可通过翅膀进行四足行走，或是将翅膀作为辅助在斜坡上奔跑，通过利用附肢，能轻松实现不同的运动模式，能够更好地适应任何环境，扩大栖息地的范围。

  在仿生机器人的设计上，研究人员也采用了变换附肢的方法增强运动能力，在对车轮、推进器和腿进行组合变换后，M4可以切换到无人地面车辆（UGV）、移动的倒立摆（MIP）、无人航空系统（UAS）、推进器辅助MIP、腿部运动和MIP模式下的操作。

  M4设计的主要目标是实现多运动模式的可扩展解决方案，也就是说复制动物的策略以增强运动可塑性，而非模仿动物附肢的形状，如扑翼与旋转翼等，所以M4的主要设计思路为复用冗余附件，以降低无用载重，提升动力，增加推重比。

  2. 通过异质运动组件recruitment提升动力，比如空气动力学中升力可以转为轮式移动中的接触摩擦力和牵引力，并实现陡坡运动，也是受鸟类WAIR机动启发进行设计的。

  3. 通过同质运动组件recruitment提升动力，比如固定质量的情况下，当从UGV切换到MIP和UAS时，推重比会分别翻两倍和四倍。

  M4的底盘结构和带罩螺旋桨组件主要由碳纤维和3D打印部件制成，使用基于Onyx热塑性材料和碳纤维的纤维镶嵌工艺制造，这些材料具备很大的强度重量比。

  上图c中显示了机器人中用到的控制器系统、电力电子器件和通信协议；机器人采用两个微控制器进行底层运动控制，一个用于姿态和车轮运动控制，而另一个用于调节推进器。

  在动力学建模时，遵循欧拉-拉格朗日方程的运动，研究人员首先推导出系统中的大量组件的保守能量（ conservative energy），然后应用拉格朗日公式。

  下图是机器人的自由体受力图，即在整个建模过程中使用的DOF和机器人动力学，在推导中，M4由13个刚体组成（一个主体，每个腿三个连杆）。

  为了证实M4的运动可塑性，研究人员进行了几个实验，包括轮式运动、飞行、MIP、蹲伏、物体操纵、四足运动、在陡坡上的推进器辅助MIP和在大障碍物上翻滚。

  池塘附近的地面-空中运动。M4滚到池塘的边缘（a1），转换成UAS模式并起飞（a2），飞越池塘到相对侧（a3），最后在转换回UGV模式之前着陆（a4）。B说明了UGV到MIP和MIP到UGV的机动。M4将其前附件重新用于推进器模式（b1-b2），执行MIP机动以自直立（b2-b4），在MIP模式中动态平衡（b5-b6），在MIP机动中下降（b7-b 9），并且最后变换回UGV模式（b 9-b10）。c M4的蹲伏动作通过低间隙开口。d显示了M4在MIP模式下基于重新利用其游离附件的操纵能力。e显示了M4通过锁定车轮和平移腿部在崎岖地形上执行四足行走。

  同时为了证明M4的设计是可扩展的，并能实现支持独立操作的有效载荷能力，研究人员还使用M4中的机载传感器和计算机测试了完全自主的多模式路径规划。

  a显示了在具有动作捕捉相机的飞行竞技场内执行的多模态路径规划实验。在这个实验中，机器人遵循MM-PRM和A算法生成的路径规划轨迹 * 降落在1.4米高的平台上。机器人在地面上启动，行驶到UAS变形位置（1），转换为UAS模式（2），在盒子顶部飞行（3至5），并转换回UGV模式（6）。B说明了预期轨迹和实际轨迹。

  研究人员还测试了M4在给定环境和运动模式下从所有电机的当前负载和参考电压消耗的估计电功率。

  每个车轮电机在12 V下运行，消耗1-3A；每个螺旋桨电机在24V下运行，消耗20- 40 A，具体取决于负载；每个关节伺服器在7.4V下工作，并消耗0.1-0.3A来转换或保持位置，与其他电机相比消耗功率较小。

  因此，使用UGV运动并且避开使用推进器以保存能量是显著更节能的，部分使用推进器的几种模式，例如翻滚和推进器辅助MIP，可以比UAS模式消耗更少的能量。

  研究人员表示未来将进一步扩展M4的运动模式，包括动态腿部运动步态等，能够最终靠增加腿部的自由度来实现自然步态。

  目前，MIP模式期间的对象操纵限于抓取。另一个研究路线是将当前的操纵能力扩展到更复杂的场景，如手持工具。

  此外，从自主性的角度来看，当前需要包括在所有模式之间自主切换的决策算法，目前M4可以在UAS和UGV模式之间自主切换。

  研究人员使用多运动模式MM-PRM路径规划算法、Jetson Nano和英特尔实感的立体深度摄像头（非常轻便、高效且廉价）增强M4平台，以实时创建世界的点云表示；不过决策算法还要进一步改进，才能适用于更复杂的情况。

  提升自主水平可以让M4创建占用图以评估地形的可穿越性，以在不同运动模式之间自主切换。