「推门不倾斜、拉抽屉不吹风」
让无人机去推门、拉抽屉，听起来很酷，但实际操作中有一个尴尬的痛点：传统无人机要产生推力，往往需要大幅倾斜机身，或者把旋翼对准目标。
结果就是，还没等机械臂碰到把手，强大的下洗气流就已经把目标吹得东倒西歪。
浙大等机构的研究团队提出的FLOAT给出了一个巧妙的解法——不靠倾斜机身，也不靠倾转旋翼，而是在旋翼下方的下洗气流中布置伺服驱动的控制面来“拨动”气流。
这架同轴无人机能在狭小空间里稳稳输出横向力，同时把对目标的风力干扰降到最低。在2cm的把手间隙中，它成功完成了抽屉的推拉操作；在突加200g载荷的极端测试中，依然稳稳救场。
这项工作的真正价值，在于回答了空中物理交互的一个核心问题：当无人机需要靠近目标发力时，如何既能保持机体紧凑，又不会用狂风把操作对象毁掉？
图1 | 真实环境中的近距离交互。FLOAT 无人机利用侧挂钩，在仅有 2 cm 间隙的狭小空间内，平稳地完成了抽屉的拉开与推上任务。©【深蓝 AI】编译
要理解 FLOAT 的设计初衷，我们需要看看现有的无人机是怎么产生横向力的。
如果是普通的欠驱动无人机（比如大疆那种），它必须把整个机身侧过来，才能把推力分量转化为横向力。这就像是一个人要侧着身子去推门，在开阔地带没问题，但在狭窄空间里，倾斜的机身很容易撞到墙壁或柜子。
为了解决这个问题，行业内流行"全驱动倾转旋翼"（Tilted-rotor），即机身不动，只把旋翼转过去对着目标吹。但这又带来了新的灾难：强大的气流会直接轰击在目标上。如果你的任务是抓取一个轻质物体，或者靠近一个容易被风吹乱的环境，这种"狂风洗礼"是不可接受的。
FLOAT 给出的解法是：保持机身水平，旋翼也朝下，但在下洗气流里放入伺服驱动的控制面（类似飞机的副翼）。它就像是用局部的导流板把力"拨"出去，主气流依然向下，而不会直接对着目标吹。
图2 | 三种横向力生成机制的对比。(a) 欠驱动无人机需要大幅倾斜机身，占用空间大；(b) 倾转旋翼无人机会把强气流直接吹向目标；(c) FLOAT 利用下洗流中的控制面偏转来产生横向力，主气流依然向下，对目标的干扰最小。©【深蓝 AI】编译
为了证明这不仅仅是直觉上的"感觉风小了"，作者做了一组严格的 CFD（计算流体力学）对比。在保证两种方案产生相同垂直力和横向力的前提下，FLOAT 方案让朝向目标平面的气流质量流率平均降低了 58.5%。
图3 | 气流干扰的 CFD 验证。(a) 是 FLOAT 的气流分布，(b) 是传统倾转旋翼的基线。可以明显看到，在产生同等横向力的情况下，FLOAT 朝向测量平面的高风速区域显著小于基线方案。©【深蓝 AI】编译
有了好结构，并不等于自然好飞。
控制面在偏转时，不仅会产生横向力，还会导致垂直推力的损失，并伴随复杂的扭矩耦合。如果用简单的线性模型去分配控制指令，无人机就会因为"力分错了"而导致姿态不稳。
作者通过静态力测量，拟合了一个高保真的二次多项式模型，并引入了非线性控制分配（NLCA）。但这还不够，在真实物理交互中，还会遇到地面效应、接触反作用力、甚至未知的载荷变化。因此，系统又叠加了 L1 自适应控制。
这两者的结合，构成了 FLOAT 最核心的竞争力：底层用非线性分配把气动耦合算准，上层用自适应控制把未知扰动扛住。
图4 | 突加载荷的极端考验。在悬停时突然挂上 200 g 的重物（相当于机体重量约 11%）。红线（LCA，线性分配）和绿色点划线（NLCA，纯非线性分配）因为没有自适应补偿，直接失稳坠机；橙色虚线（L1-LCA，线性分配+自适应）虽然活下来了，但高度最大跌了 122 mm；只有蓝线（完整方案）将高度波动控制在了 34.7 mm 以内。©【深蓝 AI】编译
在看这篇论文的实验数据时，我们需要把抽象的 RMSE（均方根误差）翻译成工程直觉。
例如，在系留横向力测试中，FLOAT 在零滚转、零俯仰的命令下，拉出了 5.42 N 的侧向力。
这个数字意味着什么？ 对于一台 1.85 kg 的无人机来说，这相当于自重的 30%。
如果是普通的欠驱动无人机，要拉出这么大的力，机身必须倾斜大约 17°；而 FLOAT 的实际姿态偏差始终低于 2.3°。这证明了它"真全驱动"的含金量。
图5 | 系留横向力测试。在机身保持水平的状态下，FLOAT 稳定拉出了 5.42 N 的横向力，这为其在狭窄空间内执行推拉任务提供了充足的动力储备。©【深蓝 AI】编译
再比如，在 3D 轨迹跟踪实验中，FLOAT 方案将最大高度误差控制在了 13.5 mm。这不是为了证明它飞得有多"秀"，而是物理交互的刚需。
在抽屉推拉任务中，把手和前面板的间隙只有 2 cm，如果高度误差超过这个数值，挂钩就会直接撞在柜子上，任务直接宣告失败。
图6 | 轨迹跟踪性能对比。表格展示了四种控制策略的误差表现。可以看出，只有同时结合非线性分配（NLCA）和自适应补偿（L1），才能将各项误差压到最低。©【深蓝 AI】编译
作者也坦诚地指出了当前系统的局限：CFD 中的动量通量积分只是气流强度的"代理指标"，并不直接等于作用在目标上的精确物理力；此外，目前的 demo 仍然依赖于侧挂的定制挂钩，距离真正通用的"空中机械臂"还有一段路要走。
FLOAT 无人机代表了空中物理交互的一个重要设计转向：从单纯追求"力气大"和"自由度高"，转变为关注交互过程中的环境友好性。它证明了，通过巧妙的机械设计与深度的非线性控制相结合，无人机完全可以像一个克制的绅士，在不破坏环境的前提下，精准地完成物理操作。
随着具身智能向更复杂的现实场景延伸，未来的空中机器人必将面临更多与人类生活环境的近距离接触。当无人机不再像个狂风大作的"莽汉"时，你认为它们最先能帮我们干点什么精细活儿呢？
REF
论文标题：FLOAT Drone for Physical Interaction: Lateral Airflow Reduction, Wrench Modeling, and Adaptive Control
论文链接：https://arxiv.org/abs/2607.04260
扫码添加阿蓝，选择想要加入的交流群即可
（按照提交顺序邀请，请尽早选择）
👇
