编辑推荐：
在水下复杂环境中，仿鱼机器人自运动估计困难。研究人员开展基于人工侧线系统（ALLS），运用模式分解方法估计仿鱼机器人自运动状态的研究。结果显示该方法可解释且通用，能优化传感器布局，对水下机器人感知意义重大。
在广袤神秘的水下世界，光线常常难以穿透层层海水，使得视觉在水下的作用大打折扣；而声学传感器又容易受到水流、海洋生物以及其他环境噪音的干扰。在这样的困境下，仿鱼机器人要想在水下高效、稳定地执行任务，准确感知自身状态和周围环境就成为了亟待解决的难题。
水生生物的侧线系统为解决这一问题带来了灵感。鱼类凭借侧线，能够从周围的流速和压力场中获取丰富信息，从而自如地导航、觅食。受此启发，科研人员开发出了人工侧线系统（ALLS），并将其应用于仿鱼机器人。然而，仿鱼机器人在自由游动时，其振荡运动会引发复杂的流固耦合问题，这使得准确估计其自运动状态（如速度和轨迹）变得异常困难。现有的估计方法，一类是基于流体动力学定性关系的简单回归模型，这类模型无法深入解释压力变化的内在原因；另一类则是使用神经网络，但神经网络缺乏可解释性，难以广泛应用于不同形态的仿鱼机器人。此外，ALLS 传感器在仿鱼机器人上的布局也有待优化，目前缺乏通用的方法。
为了攻克这些难题，北京大学湍流与复杂系统国家重点实验室等多个研究机构的研究人员，开展了一项关于仿鱼机器人自运动估计的研究。他们运用模式分解方法，基于 ALLS 来估计仿鱼机器人的运动状态。研究结果显示，通过模式分解得到的主要模式与仿鱼机器人的速度分量密切相关，并且可以通过 Lighthill 理论压力模型进行解释。此外，分解分析还揭示了传感器阵列设计的冗余性，这一结论通过进一步的综合分析得到验证，并通过流动可视化进行了解释。最后，研究人员在多种复杂情况下展示了该方法的通用性，包括在不同振荡参数下准确估计仿鱼机器人的自状态，分析箱鲀和鳗鱼模型的三维计算流体动力学（CFD）模拟的压力数据，以及在复杂流场中稳健估计仿鱼机器人的自速度。这一研究成果发表在《Nature Communications》上，为水生生物流体动力学传感假设的提出以及自主水下机器人基于人工侧线的感知能力提升提供了有力支持。
研究人员开展研究用到的几个主要关键技术方法包括：首先是采用合适的仿鱼机器人模型，该机器人以箱鲀为灵感设计，配备 11 个压力传感器组成的 ALLS 和惯性测量单元（IMU） 。其次，运用典型的模式分解方法 —— 本征正交分解（Proper Orthogonal Decomposition，POD）对采集到的压力数据进行分析，将高维非线性系统投影到低维空间。此外，通过建立二维理论模型和进行三维 CFD 模拟，辅助分析压力变化与机器人运动状态的关系。
研究结果
- 可解释的模式分解：利用 POD 对仿鱼机器人在直线和转弯运动时 ALLS 采集的压力数据进行分析。实验和理论数据都表明，压力变化可分解为几个主要模式，前三个模式几乎占据了所有能量。在直线运动中，模式 1 与稳定向前运动产生的压力相关，其系数变化与前进速度一致；模式 2 反映原地振荡产生的压力；模式 3 体现稳定运动和振荡的耦合。在转弯运动中，模式 1 与包括前进和转弯的稳定运动有关，且压力分布不对称。通过 Lighthill 理论压力模型可以解释这些模式和系数，这表明 POD 能有效分解压力数据，且分解结果具有可解释性。
- 优化传感器数量和位置以进行自轨迹估计：基于 POD 估计自速度的潜力，研究人员通过积分估计速度和 IMU 测量的角速度来估计仿鱼机器人的轨迹。POD 的低维表示表明，估计轨迹可能不需要使用所有九个传感器。通过分析模式能量分布和传感器的理论、实验灵敏度，研究人员发现理想的传感器数量约为三个。在直线运动中，头部的停滞点对速度变化最敏感， L1 、 O 、 R1 这三个传感器可用于提高轨迹估计精度；在转弯运动中，右侧前方部分对速度更敏感，不同方法下的最优传感器组合有所不同，但都验证了 POD 对传感器选择的有效性。实验结果表明，使用最优传感器组合可显著降低轨迹估计误差。
- 方法的通用性：从三个方面验证了方法的通用性。一是在不同振荡参数下进行非定常自由游动实验，结果显示分解的模式与固定振荡参数时相似，POD 模式和系数在 Lighthill 压力模型下可解释，且使用最优传感器组合在不同振荡参数下估计轨迹误差更小。二是通过三维 CFD 模拟，验证了 POD 对仿鱼机器人三维压力变化分解的适用性，不同形态和游泳风格的机器人（如箱鲀和鳗鱼模型）压力变化分解结果都能由 Lighthill 压力模型解释。三是在复杂流场（有相邻机器人产生的涡旋干扰）实验中，基于 POD 的方法比回归方法更能抵抗干扰，在纵向距离大于 30cm 时，估计误差明显降低。
研究结论和讨论
研究人员成功将 POD 应用于基于 ALLS 的仿鱼机器人自速度和轨迹估计。分解的模式可通过 Lighthill 理论压力模型解释，展示了良好的通用性。同时，该方法还能优化传感器数量和位置，减少冗余。与以往研究相比，该方法能提供更多信息，优化传感器布局，且在不同情况下具有更好的通用性和鲁棒性。与神经网络方法相比，POD 减少了对大量数据和计算资源的依赖，且具有可解释性。
不过，该方法在极端情况下（如极低或极高游泳速度）可能难以提取有意义的压力模式，这将是未来研究的重点方向。研究人员还计划集成更多类型传感器，提升数据质量和多样性，使机器人的感知能力更接近真实鱼类。总体而言，这项研究为理解生物和机器人的水动力感知机制提供了新视角，对水下机器人技术的发展具有重要推动作用。
