仿生學(xué)作為連接自然與工程的前沿交叉領(lǐng)域，正不斷推動智能機(jī)器人系統(tǒng)的革新。魚類在復(fù)雜水下環(huán)境中展現(xiàn)出的卓越機(jī)動性和感知能力，啟發(fā)了仿生機(jī)器魚的設(shè)計(jì)與發(fā)展。然而，在水下環(huán)境光照不足、聲學(xué)干擾頻繁等惡劣條件下，傳統(tǒng)視覺與聲吶傳感技術(shù)常常面臨性能瓶頸。相比之下，魚類獨(dú)有的側(cè)線系統(tǒng)——能感知周圍水流速度和壓強(qiáng)變化——為水下機(jī)器人提供了全新的感知范式。

近年來，研究人員開發(fā)了人工側(cè)線系統(tǒng)（Artificial Lateral Line System, ALLS），用于模擬魚類的感知能力，廣泛應(yīng)用于流場感知、避障和多魚協(xié)同等任務(wù)。但若要實(shí)現(xiàn)真正的自主智能，機(jī)器人還必須準(zhǔn)確估計(jì)自身的運(yùn)動狀態(tài)，如速度、擺動模式和軌跡變化。對于自由游動的仿生機(jī)器魚來說，因其推進(jìn)依賴周期性擺動，所引發(fā)的強(qiáng)流固耦合問題使得傳統(tǒng)建模手段難以適用，而現(xiàn)有的深度學(xué)習(xí)方法雖具精度，往往缺乏可解釋性與泛化能力。

▍提出新框架，突破仿生機(jī)器魚感知難題

針對這一挑戰(zhàn)，來自北京大學(xué)先進(jìn)制造與機(jī)器人學(xué)院智能仿生設(shè)計(jì)實(shí)驗(yàn)室的謝廣明教授團(tuán)隊(duì)，提出了一種融合模態(tài)分解與物理建模的可解釋、可泛化的數(shù)據(jù)驅(qū)動自運(yùn)動狀態(tài)估計(jì)框架。

該方法基于人工側(cè)線傳感器采集的時(shí)空壓強(qiáng)數(shù)據(jù)，通過本征正交分解（Proper Orthogonal Decomposition, POD）提取出與魚體運(yùn)動密切相關(guān)的主導(dǎo)模態(tài)，并結(jié)合Lighthill壓強(qiáng)理論對其物理含義進(jìn)行解釋。在此基礎(chǔ)上，研究團(tuán)隊(duì)進(jìn)一步揭示了傳感器布置中的冗余性，提出了優(yōu)化的傳感器布局策略，有效降低系統(tǒng)復(fù)雜度。

圖1 仿箱鲀機(jī)器魚及人工側(cè)線傳感器布局

在多組仿真實(shí)驗(yàn)與實(shí)際測試中，該模型在不同擺動參數(shù)、不同魚體形態(tài)，以及存在尾流干擾的復(fù)雜流場中均展現(xiàn)出出色的魯棒性與泛化能力。研究結(jié)果不僅為水下仿生機(jī)器人提供了一種高效、可靠的自主感知策略，也為人工側(cè)線系統(tǒng)的設(shè)計(jì)與應(yīng)用開辟了新思路，展示了仿生技術(shù)與數(shù)據(jù)驅(qū)動方法在智能機(jī)器人領(lǐng)域融合的巨大潛力。

相關(guān)成果以“An Interpretable Approach to Estimate the Self-motion in Fish-like Robots Using Mode Decomposition Analysis”為題，近期在線發(fā)表于期刊Nature Communications。論文的通訊作者是謝廣明教授和李亮博士，第一作者是謝廣明教授團(tuán)隊(duì)博士生翟宇凡，合作單位包括浙江大學(xué)、清華大學(xué)、德國馬克思普朗克動物行為研究所、德國康斯坦茨大學(xué)等。該研究得到了國家自然科學(xué)基金、北京市自然科學(xué)基金、浙江省自然科學(xué)基金等項(xiàng)目資助。

▍具有可解釋性的模態(tài)分解方法

研究團(tuán)隊(duì)首先對人工側(cè)線壓強(qiáng)傳感器采集的時(shí)空信號進(jìn)行了本征正交分解（POD），發(fā)現(xiàn)這些壓強(qiáng)數(shù)據(jù)可以被有效地分解為若干具有清晰物理意義的主導(dǎo)模態(tài)及其對應(yīng)的時(shí)間系數(shù)。通過結(jié)合Lighthill壓強(qiáng)理論模型，研究團(tuán)隊(duì)進(jìn)一步揭示：能量占比最高的三個(gè)主導(dǎo)模態(tài)分別對應(yīng)魚體的前進(jìn)運(yùn)動、擺動運(yùn)動以及兩者耦合產(chǎn)生的壓強(qiáng)變化，而相應(yīng)的模態(tài)系數(shù)則分別反映了前進(jìn)速度、擺動角速度與耦合速度等關(guān)鍵運(yùn)動狀態(tài)。

圖2 模態(tài)分解結(jié)果及對應(yīng)的理論解釋

值得注意的是，代表前進(jìn)運(yùn)動的模態(tài)系數(shù)與仿生魚的游動速度之間呈現(xiàn)出顯著的二次函數(shù)關(guān)系，可被直接用于速度和軌跡的精確估計(jì)。這一結(jié)果不僅加深了對人工側(cè)線感知信號的物理理解，也為構(gòu)建低維度、高效率的狀態(tài)估計(jì)模型提供了堅(jiān)實(shí)基礎(chǔ)，實(shí)現(xiàn)了從傳感信號到運(yùn)動機(jī)制的有效物理映射。

▍優(yōu)化傳感器布置及流場可視化分析

由于前三個(gè)左右的壓強(qiáng)模態(tài)幾乎包含了全部能量信息，當(dāng)前的壓強(qiáng)信號存在可以降維的空間，即當(dāng)前的傳感器布局存在一定的冗余。

圖3 模態(tài)分解用于解釋最優(yōu)傳感器分布

研究團(tuán)隊(duì)基于模態(tài)信息，預(yù)測出實(shí)現(xiàn)精確軌跡估計(jì)所需的最少傳感器數(shù)量及其最優(yōu)位置，并在實(shí)驗(yàn)中驗(yàn)證了這一方法的有效性。此外，研究團(tuán)隊(duì)還借助流場可視化方法深入解析了最優(yōu)傳感器的分布特點(diǎn)及其背后的流體力學(xué)原理，為未來傳感器布局優(yōu)化提供了理論指導(dǎo)。

▍可泛化至多種復(fù)雜場景

研究團(tuán)隊(duì)驗(yàn)證了所提出方法在多種復(fù)雜場景下的泛化能力和魯棒性。首先，在動態(tài)變化的擺動頻率、振幅和偏置條件下，仿生機(jī)器魚依然能夠?qū)崿F(xiàn)精確的自運(yùn)動狀態(tài)及軌跡估計(jì)。其次，該方法成功應(yīng)用于三維計(jì)算流體力學(xué)（Computational Fluid Dynamics, CFD）仿真數(shù)據(jù)，適用于不同形態(tài)的魚類模型，包括盒子魚形和鰻魚形，展現(xiàn)出良好的跨形態(tài)通用性。最后，在存在尾流干擾的復(fù)雜流場中，該方法仍保持穩(wěn)健的狀態(tài)感知能力，體現(xiàn)出出色的魯棒性和實(shí)用價(jià)值。

圖4 多種復(fù)雜場景下的泛化能力。a) 動態(tài)擺動參數(shù)下的軌跡估計(jì)；b) 不同外形壓強(qiáng)數(shù)據(jù)的模態(tài)分解結(jié)果；c)存在尾流干擾下的速度估計(jì)。

這項(xiàng)研究不僅為機(jī)器魚的運(yùn)動狀態(tài)估計(jì)提供了一種高效、普適的解決方案，還為深入理解和模仿自然界中真魚側(cè)線的感知機(jī)制提供了新的視角。將真魚的智慧與工程實(shí)踐相結(jié)合，為未來水下機(jī)器人的智能化、自主化和協(xié)同化發(fā)展開辟了新的技術(shù)路徑。

論文鏈接：https://www.nature.com/articles/s41467-025-58880-6