会“预判路线”的微马达？北理工团队Science子刊新作，让多个微马达在可重构光致电场中“各行其道”|交流电|微马达|操控|机器人|电荷|轨迹

主动式微马达具备自驱运动能力，但在微观世界中，让它“动起来”并不是最难的事。更关键的是，如何将原本带有随机性的运动转化为方向可控、轨迹可循的持续运动，让微马达真正能够沿着设定的路线前往目标。

一道道可编程的光图案，构成可随时生成、移动和重构的“虚拟道路”。微马达沿着“光轨”前行，在路口转弯、原地掉头，也可以临时“停车”等待；一旦前方路况发生变化，它们还能及时调整路线。即使多个微马达同步出发，也能分别驶向不同目标区域，彼此协同而互不干扰。

近日，北京理工大学王化平教授团队提出了一种人工智能辅助的光致电场控制策略，用于调控主动式微马达的运动。

该策略利用多种电动力学机制的协同作用，将原本具有随机性的自驱动运动转化为可设计、可预测的全向运动；同时借助人工智能算法预判微马达的运动趋势，并根据导航任务动态重构引导光图案，最终实现多个主动式微马达在复杂环境中的独立导航与并行操控。

该研究成果以《AI-assisted optoelectrokinetic control of active self-propelling micromotors for independent navigation with multimode motions》为题，发表于Science子刊《Science Advances》。

01.

三种电动力学机制协同，让光图案化身“无形轨道”

研究团队制备了由介电半球和金属半球组成的Janus主动式微马达。当芯片两侧施加交流电场后，金属半球与介电半球对电场产生不同的极化响应。微马达表面由此形成诱导电荷，并在周围液体中产生诱导电荷电渗流；由于Janus结构本身具有空间不对称性，两侧流动差异显著，最终形成稳定的净推进，使微马达获得持续的自驱动力。

当光图案投射到光敏层上，局部电导率会随之改变，并在液体中形成空间非均匀电场。于是，不同形状、宽度和空间位置的光图案，不再只是“亮起来的图形”，而是化作能够引导方向、调节速度、切换运动状态的无形轨道。在点状光图案周围，微马达能够像“行星”一样沿轨道旋转；靠近线形光图案时，则会保持一定的横向偏置，并沿光图案的延伸方向推进。通过改变光图案尺寸，团队还可以进一步调节运动半径、偏置距离和推进速度等。

在这套光致电场系统中，三种电动力学机制分别承担着不同作用：

诱导电荷电泳（ICEP）赋予微马达主动推进能力；
负介电泳（n-DEP）将微马达推离光照区域，构筑虚拟边界；
交流电渗效应（ACEO）吸引微马达靠近光图案，使其产生横向位移。

研究的巧妙之处，在于将三种相互耦合的电动力作用转化为彼此协同的运动能力：ICEP负责向前推进，DEP负责构筑边界，ACEO则承担转向作用。三者协同，使原本随机的运动具备了可设计、可调控的方向性。

02.

将复杂导航拆解为可组合的“动作基元”

一辆车要穿行复杂交通网络，不能只会向前行驶；同样，主动式微马达要完成长距离导航，也需要具备转向、掉头、变道、运动暂停和重新出发等能力。

为此，研究团队通过组合两个或多个光图案，为微马达构建了四类可灵活调用的基础动作。

1）依轨前行：没有实体边界，也能稳稳“上路”。两条平行但存在宽度差的光图案可以构建一条拥有虚拟边界的可行通道。负介电泳力将微马达约束在通道内部，诱导电荷电泳效应则持续提供前进动力，使其能够沿直线、弧线乃至拐角稳定穿行。

2）原位掉头：把握切换时机，完成方向翻转。当两条光图案宽度相近时，微马达可在局部区域自旋；只需控制其中一条光图案的撤除时机，微马达既可在原地完成掉头动作。

3）灵活转向：借助交流电渗效应，实现轨迹衔接。当相邻光图案具有不同宽度和夹角时，较宽的光图案产生的交流电渗流会将微马达引导至新的位置，帮助其衔接相邻轨道，并在小范围内完成微马达的快速转向。

4）按需停车：随时暂停，也能即刻重启。U形或三角形光图案可以在局部区域构建势能平衡区，使微马达稳定停驻；特定光图案撤去后，微马达即可恢复运动，相当于为其设置了一个无需实体结构的“光学停车位”。

这四类动作共同构成了微观世界中的一组“动作基元”。通过组合前进、转向、暂停、释放和掉头等动作，可以拼接出连续、灵活的长距离路线，使复杂导航从一次性设计转变为可按需重构的动作序列。

主动式微马达的多种运动基元

03.

先在AI中“预演”，再让微马达精准上路

然而，随着光图案组合愈加复杂，微马达的运动也变得更难预测。光图案的宽度、曲率以及微马达与光图案之间的相对位置发生细微变化，都可能引起运动状态和轨迹的明显差异；当多个光图案共同作用时，多种电动力学效应进一步耦合，使轨迹演化更加复杂。如何准确预测微马达在不同光图案环境中的运动行为，成为实现长期稳定导航的重要前提。

为此，研究团队构建了CNN-Transformer时空运动预测模型。通过融合残差网络模块与空间注意力机制，提取二维光图案及微马达相对位置所蕴含的空间特征；引入Transformer模块，对连续时刻的空间信息与微马达历史运动状态进行时序建模，从而学习光图案引导下的微马达运动时空演化规律。

基于这一模型，研究团队不仅能够预测微马达的瞬时运动方向和速度，还能够进一步推演微马达在复合光图案作用下的长期运动轨迹，为运动基元的参数选择、光图案配置及动态引导方案优化提供预测依据。过去依赖反复试错的思路，由此转化为“先预测、再验证、后执行”的高效流程；原本难以把握的随机运动，也逐步成为能够提前判断、持续优化的导航过程。

基于人工智能的微马达运动预测

04.

从单机导航到多机并行，让多个微马达真正“各行其道”

在实现单个微马达运动模式的灵活调控及运动演化的精准预测基础上，研究团队面向更复杂的导航任务，进一步探索多个微马达在复杂空间中灵活运动的可能性。通过对光图案进行动态组合与重构，团队构建了“分流型”、“停车场”及“迷宫型”等多种光致电场导航网络，微马达能够在其中完成路径选择、停驻释放、动态改道等动作，并进一步实现多个微马达的独立导航。

在拥有一个入口和五个出口的“分流型”网络中，微马达能够按需进入任意支路，并从任意出口驶出。在“停车场”网络中，4个微马达可以依次驶入不同“停车位”，并按照任意的顺序重新出发。谁先停靠、谁先出发，都可以根据任务需要灵活安排。更具挑战性的考验，来自一座会“变路”的迷宫。3个微马达沿不同路线行进；当原本可行的通道突然受阻时，系统迅速重构局部光图案，为微马达重新规划路线，使其顺利绕开障碍。若狭窄路段出现潜在的碰撞风险，系统还会主动按下“暂停键”，让部分微马达暂时停驻在U形光图案中。待通道重新畅通，停驻的微马达便在多条光图案的接力引导下，快速重新汇入可行路线。

从选路、停车到改道和避障，光图案构建出一张能够随微马达位置和环境变化实时重构的光致电场“交通网络”。