同济大学任捷团队借鉴物竞天择，用俄罗斯方块模块化设计，通过真实世界反馈，30轮迭代使微型机器人速度提升至25.27mm/s，为离散拓扑优化开辟新路。
原文标题：把“俄罗斯方块”搬进设计室：物竞天择让振动微型机器人进化得越跑越快
原文作者：数据派THU
冷月清谈：
团队放弃传统的像素级设计，而是创造性地采用“俄罗斯方块”作为微型机器人形态编码的基本模块。这种离散几何表示方式极大地增加了“可直接制造的候选”形态数量，为后续的优化提供了丰富的“个体池”。结合连通性、边界限制、静稳性等约束，确保了拼接出的形态都是可实际制造的。
关键创新点在于，研究引入了“硬件在环”的闭环优化系统。机器人形态不仅在数字世界中被设计，更重要的是在现实世界中经历“制造—测试—再学习”的迭代过程。每次迭代中，3D打印的样件都会在振动测试台上进行真实的速度测量，并将真实位移数据反馈给AI算法进行学习和调整，确保学习到的是现实中的最佳形态而非理想仿真。
通过这种闭环系统，在短短30轮的迭代中，机器人形态从随机混沌中演化出一种全新的物种。具体来说，最高速度从低于20mm/s提升至惊人的25.27mm/s，远超纯随机搜索的最高速度。而且，最终筛选出的高速体型呈现出稳定的三段式结构：前缘连续材料带作为支撑（“前肢”），中段形成刚性“躯干”有效传导能量，尾部适度挖空形成“减阻尾”并利用杠杆效应抬起产生净前进。
此外，该“表示—约束—闭环”方法具有普适性，已成功迁移到多个纯组合基准任务中，显示出其在离散拓扑优化领域的广泛应用潜力，有望拓展到柔性执行器、机械超材料等领域。这项研究不仅推动了微型机器人技术的发展，也为材料与制造领域的复杂形态设计提供了新的思路。
怜星夜思：
2、文章提到了用“俄罗斯方块”这种模块化的方式来设计机器人，而不是用更细的像素点。大家觉得这种“搭积木”的设计思路在未来的工程设计里会越来越流行吗？除了“俄罗斯方块”，你们还能想到哪些有趣的模块化组件，能用来设计出更复杂的系统？
3、这篇研究特别强调了“真打真测”，把真实世界的反馈引入到设计优化中。现在很多设计都依靠强大的模拟仿真，大家觉得在什么情况下，像这样投入大量资源进行物理测试是不可替代的？或者说，模拟技术发展到什么程度才能真正替代大部分的物理测试呢？
原文内容
本文约2000字，建议阅读5分钟本文介绍了同济任捷团队用方块编码 + 闭环优化，30 轮演化出 25.27mm/s 高速微型机器人。
“玛娜生态，末日废土，跑得最快的噬极兽。”
在《灵笼》的世界里，谁更适应环境，谁就活下来——“跑得最快”的物种在废土中率先突围。现在，科学家把这条自然法则搬进现实的设计室：把俄罗斯方块当作可拼接的“器官”去编码微型机器人的形态，在统一外场里让形态经历真的制造与真的筛选，一次次被“选择”，一次次再生长。
导语：从随机“肉球”到会跑的“新物种”
同济大学物理科学与工程学院/上海自主智能无人系统科学中心任捷教授团队，扮演“女娲”的角色：采用俄罗斯方块作为微型机器人形态编码的基本模块，结合“数字世界设计”与“现实世界反馈”的 AI 算法，进行闭环优化的“功能-形态”进化（如图 1，视频 1）。
物竞天择，优胜劣汰。该闭环系统，从一片随机混沌编码的“弗兰肯斯坦”的肉球中，在 30 轮内演化出了一种新物种形态，最高速度提升到 25.27 mm/s，得到“跑得最快”的“微型机器人”的形态设计。
▲ 图1：“设计—制造—测试—再学习”的闭环流程。从“方块拼形状”的生成（A），到最终形态（B）与 3D 打印样件（C）、振动测试平台（D），再到位移—时间曲线（E）的闭环总览。
1、为什么要用“方块器官”而不是像素点？
离散几何世界里，像素级（0/1）设计可制造解极稀疏，随机抽样几乎碰不到“能做、能跑”的形态。
任捷团队把像素换成“俄罗斯方块”（I/J/L/O/S/T/Z），在 15×15 网格中以“形状—旋转—位置”四元组拼成整机，连通、边界、静稳等约束在生成时就内嵌，做到“拼出来就能做”。
统计对比显示，方块表示把“可直接制造的候选”从几乎不可遇，提升到一次采样就能拿到大量可用设计的量级，为后续闭环提供了“能下场的个体池”。
2、不止在电脑里跑：每一轮都“真打真测”
团队把 3D 打印与振动测试台接成一条“传送带”：算法提出候选形状 → 打印 → 上台 → 高速度相机测位移 → 把真实速度喂回模型（如图 1D–E）。
函数发生器 → 功放 → 电动激振器 → 钢盘 → 样件的单向信号链，能量与“控制”全部在外场，几何形态是主变量；导轨只约束自由度、并不承重，确保“跑得快还是慢”来自形状差异。
这样的硬件在环闭环，使得学习到的是现实里的最佳形态，而不是理想仿真里的纸面解。
3、闭环如何推进：探索 → 过渡 → 精修
算法以随机森林为替代模型，配合随机蒙特卡洛采集在“有潜力且不确定”的区域多探几下，再用遗传算法在可行空间里做微变异与多样性约束，既不早早收敛，也不盲目乱撞。
速度曲线显示，第二轮就越过了 20mm/s 的门槛，第 26 轮出现 25.27mm/s 的峰值，此后在高性能邻域内打磨，整体分布持续右移（如图 2）。这条轨迹，正是从“什么都不知道”到“有章可循”的生长轨迹。
▲ 图2：探索→过渡→开采三阶段，30 轮内的速度分布与参数空间收缩；红星为第 26 轮的 25.27mm/s 峰值。
4、“嗜极兽”的体型密码
有趣的是，被自然选择出的“会跑的新物种”，其体型并非杂乱无章，而是稳定呈现三段式：
-
前缘保留一条连续材料带，像“前肢”一样稳定支撑；
-
中段形成刚性“躯干”通道，把竖向激振的能量有效前传；
-
尾部则适度挖空变成“减阻尾”。
高速相机拍到的杠杆效应显示：受激时尾端可抬起约 2.1 mm，接触点前移，产生净前进（如图 3C）。低性能体型则常常“空洞无序”，能量被耗散。这套“前肢—躯干—尾巴”的器官化布局，正是闭环选择出来的高适应度结构。
▲ 图3：高/低性能体型对比与尾部 2.1mm 抬升的高速成像
5、真的更强：与“纯随机”正面对照
在同等评估预算下，离线随机搜索几乎一直被卡在 20mm/s 以下；闭环第二轮就跨过去了，并在后续不断刷新峰值（见图 4）。最终，两者的速度天花板分别停在 13.39mm/s（随机）与 25.27mm/s（闭环）。
换句话说，即便在“全离散、强约束”的高维空间里，现实反馈 + 聪明取样也能显著缩短找到好形态的路径。
▲ 图4：闭环优化 vs. 离线随机的最高速度对比曲线。
6、不止一台“会跑的小怪兽”
这套“表示—约束—闭环”方法与硬件解耦。我们把同样的流程迁移到 Trap‑64、0–1 Knapsack‑250、Max‑Cut‑128 三个纯组合基准上，在固定预算下持续优于随机基线，显示出对离散拓扑任务的普适性，可拓展到柔性执行器、机械超材料等。
相关代码与数据已在 Zenodo（DOI：10.5281/zenodo.14978583）开放，便于复现与二次开发。
7、一句话带走
把像素换成部件、把约束前置到生成、把学习拉回现实闭环，形态就会在统一外场里被自然选择出来：能做、好用、跑得快。这既是一个振动微型机器人的故事，也是离散拓扑优化在材料与制造中的一条通路。
本文来自同济大学任捷研究团队原创研究工作，相关代码与数据已在 Zenodo 开放获取。研究得到国家重点研发计划和上海市自然科学基金等项目支持。
近年来，任捷教授团队在人工智能×物理学的学科交叉方面取得了一系列进展，包括基于流形扩散的无监督学习对拓扑物态的分类、多目标优化的二维功能材料与器件设计、辐射制冷人工微结构设计、神经网络自编码逆向设计拓扑光学传感结构、基于伪逆学习的光电混合的神经网络、人工智能新范式设计多孔介质、药物设计、超低热导材料等，并受邀为中国物理学会的《物理学报》撰写“物理启发的人工智能”相关综述，相关成果形成了一套具有自主知识产权的计算机软件著作权 Darwin Machine for Multi-Functional Meta-Crystal Design Platform。
论文题目：
Closed‑Loop Optimization of Tetris‑Inspired Robotic Morphology Evolution
作者单位：
同济大学上海自主智能无人系统科学中心；同济大学物理科学与工程学院。本文为任捷课题组/任捷团队原创研究工作。
论文地址：
https://www.sciencedirect.com/science/article/pii/S0264127525009530
期刊与 DOI：
Materials & Design, 257 (2025) 114533,
DOI 10.1016/j.matdes.2025.114533
