《Actuators》：Adhesive Technology and Locomotion in Path Planning of Wall-Climbing Robots: A Mini Review
壁面攀爬机器人是能够附着于垂直表面并借助多种黏附机制自由移动以执行任务的专用机器人系统。这类机器人在多个领域具有重要的应用潜力。根据其黏附方式，攀爬机器人可分为若干类型：负压黏附、磁吸附、静电黏附、生物启发黏附以及推力式黏附。就运动方式而言，其可分为轮式、履带式、足式以及混合式构型。本文综述了各类壁面攀爬机器人的当前研究现状，重点分析了它们各自的优势与不足，并讨论了未来的发展方向。此外，壁面攀爬机器人的路径规划大体可分为全局方法与局部方法。文中介绍了常用路径规划算法的基本原理，并对该领域的未来发展趋势进行了分析。
1. Introduction
引言部分首先指出，随着机械工程、人工智能、控制理论、无线通信与材料科学等领域的持续进步，机器人技术正在稳步发展，并已广泛应用于智能制造、医疗手术、航空航天和国防等场景。伴随政策支持增强与市场规模扩展，机器人在数量与类型上的需求均持续增长。研究人员强调，随着社会经济发展和生活质量诉求提升，能够替代人类在危险或极端环境中作业的机器人需求显著增加，壁面攀爬机器人因能够在垂直壁面或物体表面稳定附着并执行指定任务，而在工业检测、建筑维护和灾害救援等领域展现出重要价值。
文中进一步说明，在高端装备检测领域，传统作业仍高度依赖人工，而航空发动机、风力机组、工业管道等大型设备通常具有复杂内部结构与狭小空间，人工接近困难，故障检测往往需要拆解部件，代价高且可能造成附带损伤。壁面攀爬机器人因此可用于替代人工完成高空或危险位置作业，提高作业效率、降低安全风险并减少人力消耗。现有机器人已能够在垂直壁面、倾斜平面以及曲面管道等多种定向表面上移动。
引言还指出，现有壁面攀爬机器人仍面临环境适应性差、功能有限、线缆繁杂以及结构尺寸较大等问题，这些问题限制了其在深腔体或复杂环境中的灵活攀爬能力。为完成任务，机器人必须依靠有效的运动控制实现表面移动，因此路径规划成为关键问题。路径规划的目标是在避障前提下，从当前位置到达目标点，保证无碰撞导航。依据壁面特征与任务需求，运动路径规划可分为全局路径规划与局部路径规划；对于墙面清洗等任务，还需要采用全覆盖路径规划。对于复杂未知环境，机器人无法获得先验环境信息，只能依赖实时传感器感知，并结合路径规划算法生成运动轨迹；通过强化学习（RL），机器人还可在与环境的持续交互中不断提升导航性能。
最后，引言从系统组成角度对壁面攀爬机器人进行概括，指出其通常由黏附装置、运动机构和驱动装置三部分构成。运动机构与驱动装置共同决定运动模式，黏附装置则由所采用的黏附原理决定。文章据此建立全文框架：先综述负压、磁吸附、静电和仿生等黏附机制，再分析垂直与悬垂表面的运动学与控制策略，随后讨论多模态感知与动态路径优化相融合的规划策略，最后总结节能黏附切换、人工智能（AI）驱动导航泛化等开放挑战。
2. Adhesion Mechanisms of Wall-Climbing Robots
本节围绕壁面攀爬机器人的核心附着原理展开综述，将黏附机制划分为负压黏附、磁吸附、生物启发黏附、静电黏附和推力式黏附五类，并概述不同机制的适用场景、技术优势与固有限制。
2.1. Negative Pressure Adhesion
负压黏附通过在机器人与壁面之间形成低于外界大气压的压力区域，使大气压提供附着力。文中指出，此类机器人主要包括压紧式吸盘和抽空式负压腔两种形式。前者可利用压电柔性驱动器驱动薄膜微泵在吸盘内建立负压，适用于平面表面；但传统真空吸盘在粗糙、不平整、光滑或潮湿壁面上易发生附着不稳、打滑甚至机械损伤。后者通常借助风机持续抽气，在负压腔内形成稳定负压，并可通过柔性橡胶裙边增强对曲面的适应性，适用于如飞机机身等复杂曲面检测场景。
研究人员还介绍了零压差（ZPD）真空黏附模块，通过水封设计缓解漏气问题，在降低能耗的同时维持较高真空度，从而提升吸附力与运行效率。总体而言，负压黏附的优点在于吸附力和负载能力可通过压差调节，且不受壁面材料限制，适用范围广，并可实现对壁面的非破坏性接触。其不足主要包括噪声大、能耗高、常需有线供电，以及一旦漏气就可能导致附着失效并引发坠落风险。
2.2. Magnetic Adhesion
磁吸附机器人通过底部磁体与铁磁性壁面之间的吸引力实现附着，适用于铁、钴、镍等材料表面。文章指出，典型磁吸附机器人采用永磁体或电磁体，可实现接触式或非接触式吸附，其吸附力与磁场强度、接触面积、磁体与表面距离、磁体体积及壁面材料磁化率等因素相关。该类机器人能够在钢质船体表面执行焊接、打磨、无损检测、照明和喷涂等任务，部分系统具有较高负载能力，并可通过履带、差速转向或多自由度机械臂增强作业能力。
此外，文中提到受尺蠖启发的磁吸附机器人可通过调节磁体与壁面的距离控制吸附力，并凭借六自由度机构跨越障碍、适应复杂表面。针对管内壁爬行应用，研究还分析了轮式永磁机器人在不同倾角下避免滑移和纵向倾覆的安全吸附条件。总体来看，磁吸附具有负载大、能效高、结构相对简单等优势，但其根本局限在于仅适用于磁性壁面，材料适应性较差。
2.3. Bio-Inspired Adhesion
生物启发黏附源于对自然界攀爬动物运动能力的模仿，主要分为干式黏附和湿式黏附两类。干式黏附主要模拟壁虎足部的层级微纳结构，其刚毛（setae）及纳米级铲状末端可通过范德华力实现与表面的紧密接触。基于该原理，研究人员开发了具有方向依赖性的仿壁虎足端材料，使其在切向力趋近于零时附着力显著减小，从而实现快速附着/脱附切换，利于高效攀爬。相关系统还可借助3D打印制造复杂仿生结构，以提升对墙面、天花板及多角度表面的运动适应性。
湿式黏附则受树蛙、蚂蚁和竹节虫等生物启发，这些生物依靠光滑柔软足垫与基底间形成薄液膜，通过表面张力、毛细作用和液体黏滞性产生附着力。文章指出，该机制尤其适用于潮湿工业环境、海洋环境或湿润气候条件下的机器人应用。总体而言，仿生黏附在复杂表面适应性方面具有明显潜力，但文中对其工程化限制未展开系统量化。
2.4. Electrostatic Adhesion
静电黏附基于异号电荷分离产生的静电引力实现附着，其基本物理模型可由平行板电容器解释：当两导体间施加电压并由介质层隔开时，电荷分布不均将形成吸引力。文中介绍了一种采用介电弹性体执行器（DEA）作为人工肌肉的双足软体机器人，该系统通过快速循环驱动实现形状变形与静电黏附协同，从而在木材、纸张和玻璃等不同垂直表面上稳定攀爬，并达到较高的相对运动速度。
静电黏附的优势在于适用材料范围广，导体和非导体表面均可使用；结构轻量且简单，利于机器人微型化；维持吸附所需电流较小，能耗相对较低，且机构中活动部件少，有助于提升可靠性和降低维护需求。其主要不足则是绝对负载能力偏低，对表面粗糙度、灰尘、湿度和污染较为敏感，在粗糙或不平整表面上难以维持理想贴合；同时，为获得足够静电力通常需要千伏量级高电压，这对绝缘设计和使用安全提出了更高要求。
2.5. Thrust Adhesion
推力式黏附通过持续产生将机器人压向壁面的推力实现附着，本质上属于气动力维持接触的方式。该方法不依赖壁面磁性或导电性，因此理论上适用于几乎所有材料。文中介绍了双螺旋桨反推系统和
2自由度（2-DOF）旋翼反推结构。前者通过螺旋桨持续产生压向壁面的推力，后者则通过调节旋翼角度精确控制推力方向，并利用平行于壁面的推力分量部分抵消重力，从而提升垂直运动与转向机动性。
然而，推力式黏附存在明显局限：由于必须持续产生推力，系统需要较强动力装置，导致载荷能力较弱、功耗极高、续航受限；同时，姿态稳定控制十分复杂，机器人需依赖惯性测量单元（IMU）等传感器实时感知姿态，并通过复杂控制算法快速调节多推进器输出，以抵消风扰、表面不规则和载荷变化等影响。因此，该类系统在实际应用中通常面向特殊表面或其他黏附方式失效的场景。
2.6. Comparative Summary of Adhesion Methods
本小节说明，各类黏附机制均具有鲜明优势，也存在不可忽视的先天约束。文章通过比较指出，不存在适用于所有任务与表面的统一黏附方案，黏附方式选择应与壁面材料、表面形貌、能耗预算、负载需求及安全性要求相匹配。
3. Locomotion Methods for Wall-Climbing Robots
本节依据运动机构将壁面攀爬机器人划分为轮式、履带式、足式和混合式四类，并分别讨论其运动特征、典型应用及优缺点。
3.1. Wheeled Wall-Climbing Robots
轮式机器人利用常规轮或全向轮（omni-wheel）在电机驱动下实现连续滚动，通过轮-壁接触摩擦将驱动力转化为线速度或角速度。相较履带式和足式系统，轮式机器人通常具有速度快、运动平稳、机械复杂度低和控制结构简单等优势，特别适于较平整表面。文中介绍的OmniClimber采用全向轮与关节化机身，可在曲率变化表面实现三轴运动，并通过顶部弯曲机构贴合曲面，适用于储罐、管道和压力容器等工业结构；但全向轮滚子分段结构也会带来振动，影响运动稳定性与作业精度。
另一类轮式机器人结合负压黏附用于建筑立面作业。相关研究通过模糊比例-积分-微分（PID）控制实现负压闭环自适应调节，可在漏气扰动下快速、稳定地维持目标负压，展现出优于传统PID的动态响应与较小超调。这表明轮式机构与主动吸附调压系统结合后，可在非磁性建筑表面实现较高机动性与较强环境适应性。
3.2. Tracked Wall-Climbing Robots
履带式机器人因与壁面的接触面积更大，通常具有更强附着摩擦、更高运行稳定性和更好的越障能力，适于表面不连续或存在小障碍的环境。其代价是速度较低、转向时易侧滑、机械阻力较大并导致能耗升高。文中介绍了一种带有柔性爪刺阵列的仿生履带机器人，依靠爪刺与壁面之间的黏附和摩擦实现垂直攀爬，体现了脊刺式附着机制在轻量平台中的可行性。
此外，双模块履带机器人通过防倾覆连杆机构连接两个爬行单元，在越过障碍时能够形成补偿抗倾覆力矩，因此可以跨越钢结构表面的焊缝并携带较大载荷。这类系统显示出履带式机器人在重载工业检测与维护任务中的工程应用潜力。
3.3. Legged Wall-Climbing Robots
足式机器人在复杂、非结构化环境中具有最强的主动适应能力。通过腿部抬升、摆动和机体姿态调整，它们能够跨越障碍、适应曲面和不平整表面，并支持壁面-天花板等多平面过渡，因此适合狭窄或异形空间中的检测任务。但足式系统通常需要较多自由度、精细关节控制以及实时稳定性维护，导致机械结构复杂、制造成本高、控制算法要求高，尤其在步态切换和越障过程中动态平衡仍是核心难点。
文章介绍的WClimbot为五自由度双足负压攀爬机器人，能够执行尺蠖式爬行、转向和越台动作，并已验证其在垂直壁面攀爬、跨越边缘和正交平面间转移的能力。另一种四足机器人则融合甲虫爪钩与壁虎干黏附足端，在粗糙和光滑表面之间实现自适应攀爬，并通过柔顺关节贴合不同曲率的圆柱表面，适用于管道、储罐和外立面扫描等任务。可见，足式构型在多表面适应和复杂过渡动作方面具备显著优势。
3.4. Hybrid Locomotion for Wall-Climbing Robots
混合式运动将轮式、履带式或足式等多种运动机制集成于同一平台，以综合不同模式的优势。该设计可增强对平整、粗糙、不规则壁面的适应能力，并改善越障、转向与多平面过渡性能，但机械系统更复杂，维护与故障诊断难度也更高。文中提到的四足轮腿混合机器人在每条腿末端安装磁性全向轮，兼具轮式连续移动能力与足式越障灵活性，可在铁磁性表面完成原地转向、横向移动和自适应步态调节，适合桥梁、储罐和船体等复杂工业环境中的检测维护任务。
3.5. Comparative Summary of Locomotion Methods
本小节指出，不同运动方式在速度、稳定性、越障能力、控制复杂度和环境适应性之间存在显著权衡。轮式适于高效率平面运动，履带式适于稳定重载与小障碍环境，足式适于复杂表面与多平面转换，混合式则通过结构集成追求更全面的性能表现。
4. Wall-Climbing Robot Path Planning
路径规划部分首先说明，为使壁面攀爬机器人高效执行检测、维护或清洁任务，其运动需求包括点到点（PTP）转移、端到端覆盖以及复杂壁面上的自适应通行。依据环境地图是否已知，路径规划可分为全局路径规划与局部路径规划。全局规划适用于已知、结构化环境，通常离线进行，可进一步分为完全覆盖路径规划（CCPP）、覆盖路径规划（CPP）和点到点路径规划。局部规划则面向未知、动态或未建图环境，需要依赖机载传感器在线感知并实时更新轨迹。
文章特别强调，壁面攀爬机器人的路径规划不能简单沿用地面移动机器人方法，而需显式考虑若干特有约束。其一，重力相关运动代价：向上运动的能耗显著高于向下或横向运动，规划器需引入方向加权成本。其二，姿态相关黏附可靠性：负压吸盘、静电贴附和方向性干黏附等机制的附着力会随机器人姿态和局部曲率变化，规划应尽量避开尖锐边缘或高曲率区域，并在垂直面向天花板等姿态突变时降低速度、提高安全裕度。其三，表面过渡可行性：垂直壁面与天花板、凸角或凹角之间的过渡存在运动学与动力学限制，并非二维展开地图中的无碰撞轨迹都能真实实现。其四，黏附-运动耦合：可用附着力限制了最大加速度和速度，局部规划需将黏附裕度纳入速度采样与轨迹评估。其五，工业对象常为
2.5维或
3维曲面，规划需基于曲面表示而非简单平面网格。
4.2. Global Path Planning
在全局规划方面，文章综述了多类经典与新兴算法。Dijkstra算法适用于非负权图，能够保证最短路径，但因缺乏目标导向，搜索范围大、计算效率较低。A*算法通过启发函数增强搜索方向性，在最优性与效率之间取得良好平衡，但生成路径常因网格离散而不够平滑，通常需要后处理。快速扩展随机树（RRT）适于高维状态空间和复杂约束问题，计算效率高，但具有随机性，所得路径往往曲折且次优。研究中还提到深度学习、强化学习、蚁群算法（ACO）、遗传算法（GA）和粒子群优化（PSO）等方法，它们在复杂、多目标规划任务中具有较强潜力，但学习类方法通常需要大量训练数据，且缺乏经典算法那样的完整性与最优性理论保证。
此外，文章总结了若干混合框架。例如，将改进A*与路径-时间图相结合可用于多机器人环境下的分层规划与避碰；增强型遗传算法可在连续空间中优化初始次优轨迹；神经自适应启发式蚁群优化则利用深度神经网络学习环境特征，为ACO提供启发信息，并通过拥塞感知损失提升在障碍稠密区域的规划质量。这些方法反映出当前全局规划研究正朝着算法融合、智能化和多约束协同优化方向发展。
4.3. Local Path Planning
局部路径规划依赖机载传感器实时获取环境信息，在无先验地图条件下实现在线导航与避障。文中概述了视觉、超声和激光雷达（LiDAR）等常见感知手段，以及通过卡尔曼滤波或因子图优化开展多传感器融合的思路。经典局部规划方法中，人工势场法（APF）以目标吸引势和障碍物斥力势的合力引导机器人运动，具有数学形式简洁、计算量小等优点，但易陷入局部极小值、在狭窄通道中振荡，并存在障碍邻近目标不可达问题。动态窗口法（DWA）则在速度空间（v,ω）内搜索满足动力学约束的可行速度命令，通过短时预测轨迹并依据目标推进、障碍物间隙和速度等指标评分，实现实时性较强的局部避障，但仍属于局部优化方法，可能陷入死胡同，且对评价函数权重较敏感。
在此基础上，人工智能方法正成为局部规划的重要发展方向。深度学习方法可直接从视觉或深度数据中学习障碍感知与运动控制映射，强化学习尤其是深度强化学习（DRL）则将导航表述为序贯决策问题，能够在高维状态与动作空间中学习策略。与此同时，混合式方法也受到重视，例如Bug-APF方法通过Bug算法生成可达子目标，再利用APF完成子目标间局部导航，从而缓解APF的局部极小和目标不可达问题；深度学习增强DWA则利用卷积神经网络（CNN）根据激光测距、位姿和局部占据表示动态调节评价函数权重，提升在不同障碍密度环境中的导航成功率、路径效率和轨迹平滑性。
文章最后指出，未来局部规划将更加重视与全局规划的层级融合、对感知不确定性的显式建模、多机器人协同以及任务语义与规划目标的结合。对于壁面攀爬机器人而言，局部规划的发展将直接决定其在工业检测、基础设施维护和灾害响应中的自主能力上限。
5. Conclusions and Discussions
结论部分从系统层面对全文进行综合。研究人员认为，不存在适用于所有任务的统一“最优”方案，不同应用应选择不同的黏附-运动组合：钢桥、储罐和船体等钢结构重载检测场景中，磁吸附结合履带式或轮式运动最具优势；建筑外立面维护中，负压黏附结合轮式或足式构型更具现实可行性；轻量化、精细或脆弱表面检测中，仿生干黏附结合足式或混合式运动具有较高表面适应性；静电黏附适合微型、低载荷机器人；推力式黏附则更多用于其他方式难以胜任的粗糙或可渗透表面。
文章同时指出若干关键技术瓶颈仍未解决：真实工业表面上的附着可靠性不足，能源自主性受限，壁面到天花板或曲面拐角等表面过渡能力较弱，以及现有路径规划很少显式考虑重力方向能耗、姿态相关黏附裕度和不可展曲面几何等攀爬特有约束。面向下一代自主壁面攀爬机器人，文中提出四个优先研究方向：一是可切换混合黏附机制，以兼顾材料适应性与能效；二是面向能耗与黏附安全的路径规划，将实时黏附反馈与全局、局部规划紧密耦合；三是利用深度强化学习与仿真到现实迁移提升未知环境适应能力；四是推动轻量化、模块化与无缆化设计，依赖高能量密度电池、无线供能和先进复合材料实现更高自主性。总体而言，壁面攀爬机器人已在结构化环境下形成较成熟的黏附与运动方案，而未来突破将依赖自适应黏附、面向攀爬特性的规划以及学习型感知-行动闭环的系统级集成。
