在微纳机器人领域，如何让微观执行器突破简单的直线、旋转运动限制，实现可调控的复杂变形，长期以来都是阻碍技术落地的难题。
近日，杜克大学的研究团队在Nature Communications上发表一项研究。他们开发出
一款名为ECHObots（工程化纤毛混合操作微机器人）的声学微机器人，借助机器学习驱动的设计方法，成功实现了可编程双向弯曲、可控旋转与自适应形态变换等多种复杂操作。https://www.nature.com/articles/s41467-026-70048-4
传统声学微机器人由于几何结构简单、控制方式有限，往往只能进行直线或旋转运动。杜克大学团队受生物纤毛启发，设计了一种几何结构可调的声学微机器人。这些机器人利用共振诱导的流体力，能够实现多样化的变形行为，包括定向弯曲、可控旋转以及复杂几何形态的变化。研究团队通过在柔性机械臂两侧放置不同尺寸的纤毛结构，实现了双向弯曲控制：在5kHz频率下，较大的纤毛共振驱动机械臂向右弯曲；而在7.2kHz频率下，较小的纤毛主导变形，机械臂向左弯曲。这种频率选择性的变形控制为微观尺度的精准操作提供了全新可能。图1 声学驱动的ECHObots驱动与机器学习加速计算面对几何参数与共振特性之间复杂的非线性关系，传统有限元分析方法计算成本高昂，难以进行系统的参数优化。杜克大学团队创新性地引入了一种自增强机器学习框架，与有限元分析相结合，实现了对几何-共振关系的快速预测和优化。研究采用随机森林模型，仅需少量有限元仿真数据即可学习几何参数（长径比和纤毛长度）与共振特征之间的映射关系。与纯有限元分析相比，该方法将预测时间降低了超过10万倍（从每几何参数1620秒缩短至8.1毫秒），内存使用减少20倍以上，同时保持了对峰值振幅90%以上、共振频率98%以上的预测精度。通过五轮自增强学习迭代，模型的频率预测误差降至2%以下，振幅预测误差稳定在10%左右。这一方法使得在便携设备或资源受限平台上部署微机器人设计优化成为可能。为进一步增强机器人的功能适应性，研究团队引入了两种柔性机构设计策略：基于模量调制的Type-I机构和基于空间架构的Type-II机构。Type-I通过图案化曝光产生较软的节段，实现优先弯曲；Type-II则通过窄化关节作为铰链，显著降低所需驱动力，实现大角度弯曲。基于这些设计，团队开发了多种结构的ECHObots，包括闭合型、开放型、曲面半球结构以及多节段软体机械臂。在20V驱动电压下，这些结构的恢复时间在1-6秒之间，最简单的设计可稳定运行超过200个变形循环，展示了优异的可控性和可逆性。图3 ECHObots的柔顺机构设计和结构多样性
研究还展示了一个花形旋转结构。在低电压激发下，该结构以16转/分钟的慢速旋转，结构基本不变形；随着驱动电压增加，柔性臂向内收缩，整体尺寸减小，旋转速度显著提升至110转/分钟。这种旋转加速主要源于振动纤毛产生的反作用力，同时伴随着阻力减小和有效转动惯量的降低。实验结果显示，旋转速度与驱动电压之间存在明确的二次多项式关系，表明可以通过电压精确控制机器人的运动行为。有限元仿真与实验结果高度吻合，共振频率偏差仅为2%（约200Hz），验证了设计方法的可靠性。该研究的通讯作者、杜克大学Tony Jun Huang教授表示："ECHObots不再局限于直线或旋转运动，而是提供了一个可编程、可扩展的驱动平台，适用于广泛的生物医学和微流体应用。"研究团队设想，这些微机器人未来可用于靶向给药、微创手术、微尺度制造和环境监测等领域。论文信息：Ling, Yun, et al. "Machine Learning-Driven Design of Engineered Cilia Enables Hybrid Operations in Acoustic Microrobots." Nature Communications, 2026. https://doi.org/10.1038/s41467-026-70048-4.21dB声学人是中国科学院声学研究所苏州电声产业化基地旗下科技媒体，专注于声学新技术、音频测试与分析、声学市场调研、声学创业孵化、知识产权服务等。稿件投稿 ｜ 创业支持 ｜ 知产服务 ｜ 技术转化
本文内容基于该期刊论文公开信息撰写，仅供学术交流与信息分享，不为其版权负责。所有技术细节、实验数据与结论均以原论文为准。如涉及侵权、隐私等问题，请联系我们及时删除。联系微信：acoustic21dB
