近日，英国皇家工程院院士、南方科技大学机器人研究院院长、机械与能源工程系讲席教授戴建生与冯慧娟副教授团队在机器人智能结构及变胞折纸领域取得突破性进展，相关研究成果以“Dual-Chirality Flexagon Linkages with Infinite Eversion and Surface Reconfigurability”为题，发表在国际顶级综合性学术期刊《美国国家科学院院刊》PNAS。

该研究打破了传统人工智能主要依赖算法和算力的局限，将“智能”直接赋予物理层面的“结构”，提出了具有前瞻性的“结构智能”（Structural Intelligence）理念。这是对“具身智能”（Embodied AI）概念的升华，也为未来机器人设计、材料科学及仿生学开辟了全新范式。 

“艺术是科学的源泉”。将智能内化于物理结构，使机器人在形态演变与运动中获得感知与思考的能力。这一创新构想不仅突破了工程学的边界，更展现出一种极具“机械美学”和“仿生艺术”色彩的科学浪漫。

在研究中，研究团队深入剖析了可用于新型机器人构型的Flexagon机构翻转运动机理（图1）。从几何代数层面揭示了这种具备无限外翻与表面重构能力的智能结构在拓扑上的演变规律，成功建立了基于分岔运动诱导的循环变构理论框架。在此基础上，团队开发出Flexagon无限翻转机构家族，一举突破了该机构工程转化面临的关键物理壁垒，为可重构超表面和多模态机器人的前沿设计，特别是“结构智能”的落地，奠定了坚实的理论与工程基础。

图1.具有无限外翻和表面重构的Flexagon机构机理与应用

表面重构是自然界中生物（如变色龙和树蛙）适应复杂环境的常见策略。在工程领域，尽管可重构表面在超材料、空间可展结构及全天候太阳能电池板中展现出巨大潜力，但现有方法通常仅能实现有限的表面状态。1939年由Arthur Stone发现的Flexagon(弗莱克瑟-gon)折纸为表面重构提供了独特的思路，然而其在工程领域的转化进展极为缓慢。

该方法的转化瓶颈主要体现在三个方面：一是传统折纸基于纸张与零厚度材料假设，严重降低结构的耐久性；二是折痕约束使得二面角被严格限制在0–180°之间，极大阻碍了结构的连续翻转与多模态运动；三是外翻机理尚未明晰，导致多单元集群难以实现互联与协同运动，无法满足大规模可重构结构的设计需求。

为突破上述瓶颈，研究团队从经典Flexagon折纸的拓扑本质出发，将传统折纸的“面”转化为连杆、“折痕”转化为运动关节，创新提出全手性Flexagon智能结构（图2）。通过迭代等效分析，揭示了该结构在无限翻转过程的运动学原理，即基于分岔运动诱导的结构循环变构机制。研究人员还运用几何代数完整刻画了该结构实现无限外翻与表面重构的全过程。

图2.Flexagon机构拓扑演变规律

依托上述拓扑理论框架，研究团队以翻转周期与对称阶数为基本变量，衍生出对称性变体、周期性变体、对称-周期混合变体及递归变体四大构型，成功构建了一个庞大且多元的Flexagon机构家族（图3）。该家族中的所有智能结构，均具备无限翻转与表面重构的核心能力。

图3.Flexagon机构家族图谱

为推动Flexagon智能结构走向工程应用，研究团队提出了一种全新结构转换策略，从几何层面消除翻转过程中的机械干涉，并借助启发式算法穷尽了所有无干涉的结构智能方案（图4）。在此基础上，团队提出空间镶嵌与铰接堆叠技术，成功将多个独立的Flexagon单元无缝组合成大型面板及复杂结构（图5）。这一技术突破彻底攻克了传统Flexagon难以集群互联的工程壁垒，成功构建出一系列可编程、可大规模展开的物理网络，实现互联与协同运动，为未来智能结构的开发与应用开辟了广阔空间。

图4.用于避免碰撞干涉的结构转换策略

图5.可编程、可大规模展开的网络智能结构

研究团队进一步将单向手性Flexagon结构拓展旋向可互换的双向Flexagon机构（图6）。这一创新设计，实现了可达表面状态的指数级跃升。通过理论推导证明，在每次递归扩展中，新增状态数遵循精确的几何级数规律：p(p-1)^g（其中p为翻转周期，g为递归生成指数）。该数学规律的发现，彻底打破了传统机构受限于有限状态的认知壁垒，为未来可编程表面的设计确立了全新的范式。

图6.可变手性Flexagon结构的设计综合和状态拓扑

该工作成功填补了无限翻转智能结构设计领域的空白，实现了从抽象拓扑折纸到刚体运动学的范式转变。这一成果不仅为可编程自由度的机械超材料系统设计提供了坚实的理论支撑，更为下一代多模态可重构机器人、空间可展结构及柔性机器人等前沿领域开辟了明确的工程转化路径。

南方科技大学机械与能源工程系2025级博士生林江为论文第一作者，戴建生院士与冯慧娟副教授为论文共同通讯作者，南方科技大学为论文第一单位。南方科技大学2021级本科生苗仲祺、2023级访问博士生张昊临、2024级硕士生董科伟及香港科技大学博士后鲁洪良为文章共同作者。该研究获得了国家自然科学基金重点项目、广东省科技计划项目、广东省基础与应用基础研究基金、深圳市科技创新委员会以及南方科技大学高水平建设专项资金等资助。

论文链接：www.pnas.org/doi/10.1073/pnas.2603729123

供稿：机器人研究院

通讯员：张嘉玲

编辑：任奕霏