一、导师简介
Xiaozhou FAN于2025年9月加入香港科技大学（广州）可持续能源与环境学域（Sustainable Energy and Environment Thrust），担任助理教授。此前，他在加州理工学院（Caltech）航空航天学院（GALCIT）从事博士后研究，师从Morteza Gharib教授；2018年至2023年间，于布朗大学（Brown University）工程学院流体力学中心攻读博士学位，受Kenneth Breuer教授与Sharon Swartz教授联合指导。
博士在读期间，FAN主导研发了多代仿生扑翼机器人平台，并建立数学降阶模型（Reduced-order Models）以揭示动物飞行的核心机理。作为项目负责人，他带领团队获得Hyundai Visionary Challenge Award，获得20万美元研究资助。此外，他曾在布朗大学技术创新办公室（Technology Innovations Office）担任研究员，负责评估实验室成果的早期商业化路径，搭建学术与产业之间的桥梁。在Caltech期间，他主导了固定翼无人机在强阵风环境下的自主飞行项目，包括定制空速管系统的设计、风洞实时控制测试平台的搭建，以及基于学习的控制器实现。
FAN的研究成果发表于Journal of the Royal Society Interface、AIAA Journal等国际期刊，并于IROS等顶级机器人会议作报告。其工作曾被National Geographic及法国纪录片Da Vinci's Dream: The Secrets of Flight收录报道。
二、近期文章和项目解析
1. 扑翼机器人与射流推进机制
FAN团队近期在Journal of the Royal Society Interface发表的研究中，通过三自由度（3-DOF）扑翼机器人平台"Flapperoo"，系统探究了蝙蝠飞行中的翼面折叠（Wing Folding）与扭转（Wing Twist）机制。研究采用粒子图像测速（PIV）、直接力测量与准定常建模（Quasi-steady Modeling）相结合的方法，发现翼面在极端折叠时产生的"拍击"（Clapping）动作可形成定向空气射流，显著提升平均推力，尤其在低飞行速度或高Strouhal数（St = 0.2–0.4）条件下效果突出。该研究进一步揭示，通过控制拍击瞬间的翼面扭转角度，可实现射流方向的矢量控制，同时降低上拍行程的负升力与功耗。
这一发现的意义在于：传统扑翼机器人往往仅模仿生物的外形，而FAN的工作从流体力学第一性原理出发，量化了翼面关节运动（Wing Articulation）对气动效率的非线性影响，为下一代水下航行器及微型飞行器设计提供了可工程化的理论框架。
2. 数据驱动的强风环境飞行控制
在Caltech期间，FAN参与了固定翼无人机在极端风况下的自主飞行研究。该工作开发了仿生空速传感平台，结合数据驱动方法实现实时流场估计。与Caltech Yisong Yue教授团队合作完成的预印本研究"A Narwhal-Inspired Sensing-to-Control Framework for Small Fixed-Wing Aircraft"（arXiv:2510.07160），提出了一套受独角鲸启发（Narwhal-Inspired）的感知-控制端到端框架，通过生物启发硬件与学习动力学模型的融合，提升小型固定翼飞机在低速条件下的机动性与鲁棒性。
该方法的核心创新在于：不同于传统依赖精确物理模型的控制策略，该框架利用少量飞行数据（12分钟量级）结合元学习（Meta-learning）与在线自适应控制，使无人机能够实时适应未知风况。这一技术路径与Caltech团队此前开发的Neural-Fly系统（发表于Science Robotics）形成方法论上的延续，但FAN的工作将其拓展至固定翼平台，并强调生物感知器官（如独角鲸的触觉感应）对控制架构的启发。
3. 学术产业化与跨学科合作
FAN在布朗大学技术创新办公室的经历，使其研究兼具学术深度与产业化视角。Hyundai Visionary Challenge项目的获奖，体现了其将蝙蝠飞行机理转化为无人机技术的转化能力。这种"从生物到机器人"（From Biology to Robotics）的双向研究路径，区别于单纯的仿生模仿（Bio-mimicry），而是强调对生物系统底层物理原理的提取与泛化。
三、未来研究预测
基于FAN现有的研究脉络与XFAN实验室（XFAN Lab）的公开信息，其未来研究可能沿以下方向展开：
1. 非定常空气动力学与降阶模型的深度融合
当前计算流体力学（CFD）模拟虽精度高，但计算成本 prohibitive，难以满足实时控制需求。FAN团队可能进一步发展数据驱动的降阶模型（Data-driven Reduced-order Models），结合强化学习（Reinforcement Learning）构建高保真动力学代理模型（Surrogate Models），以在保持计算效率的同时捕捉扑翼飞行中的非定常涡流结构（Unsteady Vortex Structures）。
2. 极端环境下的自主飞行系统
现有无人机在城市峡谷、强阵风等复杂环境中的可靠性仍受限。FAN在Caltech的强风控制经验与Hyundai项目背景，预示其可能推进"抗扰动飞行"（Disturbance-rejection Flight）技术的实用化，包括开发新型流场传感器、自适应控制算法，以及面向城市空中交通（Urban Air Mobility）的验证平台。
3. 生物启发机器人的跨域应用
XFAN实验室官网提及的"三维空中竞技体育"构想，暗示其可能探索仿生飞行器的娱乐与竞技应用。此类场景对安全性、噪音控制与机动性提出更高要求，反向推动核心技术的突破。此外，农业授粉、生态监测等低速、近距作业场景，也可能是扑翼机器人区别于传统多旋翼无人机的差异化应用方向。
4. 学术-产业协同创新
FAN在产业界的联络经验（如Hyundai合作）与技术创新办公室的任职背景，预示XFAN实验室可能采取"研究-转化"并行的模式，通过专利布局、初创企业孵化等方式，推动仿生飞行技术的商业化。香港科技大学（广州）的区位与政策优势，为此类跨境技术转移提供了基础设施。
综上，Xiaozhou FAN教授的研究处于生物力学、机器人学与人工智能的交叉前沿，其方法论强调从生物系统中提取物理原理而非表面模仿，技术路径注重数据驱动与实时控制的结合，应用视角兼顾学术创新与产业转化。对于有志于仿生机器人、非定常空气动力学或自主系统研究的申请者，XFAN实验室提供了一个融合理论深度与工程实践的平台。
