科幻电影“超能陆战队”中的磁机器人集群[1]可以快速组合成符合使用者心意的形态，“黑客帝国”中的粒子机器人[2]可以创造虚拟人在现实世界的具身实体，“神秘博士”中的城市则完全由微型机器人组建[3]，上述科幻作品中基于“模块化”（Modular）的思想内核构思了许多具有“可重构”（Reconfigurable）形态特征的未来机器人，实现这些设想也是模块化机器人领域共同的愿景。

模块化机器人的研究受如何应对非结构化环境不可预测性挑战的现实需求所驱动。检查维护受损核设施或生化泄露场所，搜索救援地震、海啸等灾难后废墟，探索深空、极地等生命禁区，设计能够替代人类执行此类4D（肮脏、危险、困难和枯燥）任务的机器人系统可以有效提升任务的效率，降低成本和危险性。在非结构化环境中执行任务的机器人面临着艰巨的挑战：一方面机器人系统需具备在各种复杂环境中的运动能力，另一方面机器人在执行任务的过程中环境条件可能会发生巨大变化。传统单体机器人在工厂流水线这样的结构化环境中极大提高了生产效率，但仍难以适应更普适动态的非结构化环境，环境对机器人的尺寸、计算资源产生限制，同时对运动、协作能力、抗干扰能力也都提出了更高的要求。能够改变身体结构和控制策略的模块化机器人是灵活应对复杂动态、不可预测的未知环境的创造性方案。

模块化机器人系统一般由大量同构的机器人模块所组成，早期的模块化机器人研究，例如1988年提出的CEBOT[4][5]，受细胞、粘菌等生物的启发，构建出具有重构能力的机器人系统，模块根据系统当前需要解决的任务可以重新排列形成不同的构型。其中“构型”（Configuration）的含义可以概括为纳入模块连通性（该模块的连接关系，表示为邻接矩阵、链接列表等）的机器人姿态（机器人的关节角的完整集合），“重构”则表示模块连通性的变化。可重构的模块化机器人是模块化机器人领域长期研究的重点，研究人员在可重构硬件设计、任务最优构型搜索、快速重构算法等方向进行了逾三十年的探索：从笨重低效的运动单元和松散的连接器，到精密高效的驱动方式[6]和多样可靠的连接机制[7]，模块硬件设计不断优化走向鲁棒、实用；从基于A*等搜索算法集中式规划重构最优路径[8][9]，到利用分布式的重构算法解决特定类型的模块化机器人[10][11][12]，重构的效率和系统可处理的模块数量都大幅提升；从手动设计的若干构型，到基于深度学习确定的最优构型[13]，模块化机器人的构型、控制与任务、环境的契合程度越来越高[14][15]。在现在的具有可重构能力的模块化机器人研究工作及其演示中，机器人系统能够通过链接彼此相互支撑从而穿过间隙或是越过障碍，或是通过变形减小尺寸来通过狭窄区域，甚至在空天地海多栖环境中快速运动，使其在泛在场景中得到广泛的应用。模块化机器人基于系统额外的自由度，通过可重构能力改变自身构型，将行为与环境更紧密地联系起来，从而提高任务性能，增加了面对不可预测环境的适应能力。

自三十年前马克·维瑟提出泛在计算[16]以来，网络、传感器、移动性等技术取得了长足进步， Wi-Fi信号、声音信号、光信号等各类无线信号已广泛存在于日常环境中。利用物联网中接入的各种移动和边缘设备提供的处理和计算能力，这一领域的大量工作实现了对环境的充分感知与计算[17][18][19]，使人们可以便捷地获取信息并处理，而计算机本身却淡出人们的视线。模块化机器人作为集感知、计算、运动能力于一体的可编程“基本物质”，通过与泛在计算等前沿领域的深度融合发展，有望以一种区别于标签、便笺和板（Tabs、Pads和Boards）的方式无缝融入到现实世界中，提供无处不在的感知数据、开放共享的计算资源乃至随时随地的现实服务，联结人、机、物等要素，构建泛在的智能感知计算空间。然而，从现有具备可重构能力的模块化机器人发展为未来人机物三元融合空间中泛在感知计算能力的新型智能终端，模块化机器人需要具备自适应能力以应对现实开放环境复杂动态的变化，需要具备自组织能力以汇聚异构模块差异化资源并协作增强任务效能，需要具备持续演化能力以自主学习解决未知场景、变化组份等开放式泛在问题。

[1]  Byun D J, Falt H, Frost B, et al. Procedural animation technology behind microbots in big hero 6//ACM SIGGRAPH 2015 Talks. New York, United States, 2015: 1-1

[2]  Torres F R. Regreso a la madriguera del conejo" Matrix Resurrections". Cinemanía, 2022 (316): 58-60

[3]  Hills M. Triumph of a time lord: Regenerating Doctor Who in the twenty-first century. London: Bloomsbury Publishing, 2010

[4]  Fukuda T. Self organizing robots based on cell structures-CEBOT//Proceedings of the 1988 IEEE/RSJ International Conference on Intelligent Robots and Systems. Tokyo, Japan, 1988: 145-150

[5]  Fukuda T, Nakagawa S, Kawauchi Y, et al. Structure decision method for self organising robots based on cell structures-CEBOT//Proceedings of the 1989 IEEE International Conference on Robotics and Automation. IEEE Computer Society, 1989: 695-700

[6]  Nygaard T F, Martin C P, Torresen J, et al. Real-world embodied AI through a morphologically adaptive quadruped robot. Nature Machine Intelligence, 2021, 3(5): 410-419

[7]  Liang G, Luo H, Li M, et al. Freebot: A freeform modular self-reconfigurable robot with arbitrary connection point-design and implementation//Proceedings of the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems. Las Vegas, USA, 2020: 6506-6513

[8]  Chen X, Pu H, Wang X, et al. Control system of a modular and reconfigurable multilegged robot// Proceedings of the 2007 International Conference on Mechatronics and Automation. IEEE, 2007: 1926-1931

[9]  Le A V, Prabakaran V, Sivanantham V, et al. Modified a-star algorithm for efficient coverage path planning in tetris inspired self-reconfigurable robot with integrated laser sensor. Sensors, 2018, 18(8): 2585

[10] Kawano H. Parallel Permutation for Linear Full-resolution Reconfiguration of Heterogeneous Sliding-only Cubic Modular Robots//Proceedings of the 2020 IEEE International Conference on Robotics and Automation. Paris, France, 2020: 8281-8287

[11] Bassil J, Moussa M, Makhoul A, et al. Linear distributed clustering algorithm for modular robots based programmable matter//Proceedings of the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems. Las Vegas, USA, 2020: 3320-3325

[12] Thalamy P, Piranda B, Bourgeois J. 3D coating self-assembly for modular robotic scaffolds//Proceedings of the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems. Las Vegas, USA, 2020: 11688-11695

[13] Whitman J, Bhirangi R, Travers M, et al. Modular robot design synthesis with deep reinforcement learning//Proceedings of the AAAI Conference on Artificial Intelligence. New York, USA, 2020, 34(06): 10418-10425

[14] Liu S B, Althoff M. Optimizing performance in automation through modular robots//Proceedings of the 2020 IEEE International Conference on Robotics and Automation. Paris, France, 2020: 4044-4050

[15] Romiti E, Kashiri N, Malzahn J, et al. Minimum-Effort Task-based Design Optimization of Modular Reconfigurable Robots//Proceedings of the 2021 IEEE International Conference on Robotics and Automation. Xi’an, China, 2021: 9891-9897