翟宇凡 ,熊明磊 ,王 晨 ,謝廣明 ,3*

(1.北京大學(xué) 工學(xué)院 智能仿生設(shè)計(jì)實(shí)驗(yàn)室,北京,100871;2.北京大學(xué) 軟件工程國(guó)家工程研究中心,北京,100871;3.北京大學(xué) 海洋研究院,北京,100871)

0 引言

作為海洋大國(guó),我國(guó)擁有豐富的海洋資源。自從黨的十八大報(bào)告中提出“建設(shè)海洋強(qiáng)國(guó)”戰(zhàn)略需求以來(lái),國(guó)內(nèi)海洋裝備發(fā)展獲得前所未有的重視,特別是針對(duì)水下機(jī)器人的研究變得非?；钴S。

隨著先進(jìn)制造與人工智能技術(shù)的飛速發(fā)展,機(jī)器人可以完成越來(lái)越多的陸地工程任務(wù),例如路徑規(guī)劃、自主巡航、資源探測(cè)與開(kāi)采、群體協(xié)作等。相比之下,水下機(jī)器人面臨著極端復(fù)雜的工作環(huán)境,如復(fù)雜的水流運(yùn)動(dòng)與水底結(jié)構(gòu)、高壓環(huán)境、低能見(jiàn)度、海水的腐蝕性以及對(duì)儀器設(shè)備的干擾等,因此,發(fā)展水下機(jī)器人的難度遠(yuǎn)高于陸地機(jī)器人。一方面,水下機(jī)器人無(wú)法憑借簡(jiǎn)單的探測(cè)工具獲取周圍水環(huán)境信息;另一方面,對(duì)機(jī)器人的運(yùn)動(dòng)控制也會(huì)受到水流的巨大干擾。這些都是在海洋探索與開(kāi)發(fā)過(guò)程中亟待解決的問(wèn)題。

仿生機(jī)器人學(xué)是近年來(lái)的熱點(diǎn)研究問(wèn)題之一。自然界中動(dòng)植物的生理結(jié)構(gòu)或行為特征能夠?yàn)檠芯咳藛T設(shè)計(jì)機(jī)器人提供靈感。魚(yú)類在海洋中生活了數(shù)十億年,他們的身體結(jié)構(gòu)不斷進(jìn)化,行為不斷地適應(yīng)著復(fù)雜的水下環(huán)境,最終呈現(xiàn)出如今的形態(tài)。在運(yùn)動(dòng)方面,魚(yú)類的游動(dòng)具有機(jī)動(dòng)性高、推進(jìn)效率高、能量效率高等特征。在感知方面,水生生物特有的一種感知器官——側(cè)線能夠幫助它們獲取水下的壓強(qiáng)與流速信息,進(jìn)而由神經(jīng)系統(tǒng)進(jìn)行行為決策。

以墨西哥盲魚(yú)為例(見(jiàn)圖1),它們長(zhǎng)期生活于黑暗的水下洞穴環(huán)境中,視覺(jué)系統(tǒng)退化,但是仍然能夠憑借側(cè)線以及其他感官系統(tǒng)實(shí)現(xiàn)捕食等行為[1]。受此啟發(fā),為了應(yīng)對(duì)水下環(huán)境中聲吶傳感器的散射和多路徑傳播、光學(xué)傳感器在黑暗渾濁的海洋環(huán)境中的失明等問(wèn)題[2],研究者們開(kāi)發(fā)了由一系列傳感器組成的人工側(cè)線系統(tǒng)作為新型傳感系統(tǒng),用于水下探測(cè)。相比于感知遠(yuǎn)場(chǎng)聲波的聲吶系統(tǒng),人工側(cè)線系統(tǒng)主要用于感知近場(chǎng)產(chǎn)生的局部流動(dòng),能夠彌補(bǔ)聲吶在近距離感知上的盲區(qū)。此外,隨著隱身技術(shù)的不斷發(fā)展,常規(guī)的傳感系統(tǒng)存在失效問(wèn)題[3],而水下物體運(yùn)動(dòng)產(chǎn)生的流場(chǎng)變化幾乎是不可消除的,人工側(cè)線系統(tǒng)對(duì)于反隱身技術(shù)的發(fā)展有著重要意義。為了進(jìn)一步提升人工側(cè)線系統(tǒng)的性能,完成各種各樣的水下任務(wù),研究人員以仿生機(jī)器魚(yú)作為人工側(cè)線系統(tǒng)的載體,進(jìn)行了一系列感知、控制實(shí)驗(yàn)。文中以水下仿生側(cè)線感知為主題,綜述國(guó)內(nèi)外研究現(xiàn)狀,并介紹筆者團(tuán)隊(duì)在此領(lǐng)域的研究成果。

圖1 墨西哥盲魚(yú)Fig.1 Mexican blind fish

1 真實(shí)魚(yú)類側(cè)線感官

側(cè)線是水生生物皮膚感官中最高度分化的組織結(jié)構(gòu),能夠幫助生物在水下黑暗環(huán)境中感知壓強(qiáng)與速度信息,獲取周圍環(huán)境特征,實(shí)現(xiàn)捕食、集群等行為[4]。側(cè)線主要通過(guò)神經(jīng)丘感受外界刺激,具體而言可以分為2 類: 表面神經(jīng)丘和管道神經(jīng)丘[5]。這2 種神經(jīng)丘有著不同的生理結(jié)構(gòu),且經(jīng)過(guò)億萬(wàn)年的進(jìn)化,在魚(yú)體表面呈現(xiàn)出各自特定的數(shù)目與分布特征(見(jiàn)圖2[6]),能夠獲取不同類型的環(huán)境信息,幫助生物體達(dá)到最好的感知效果[7]。

圖2 魚(yú)類側(cè)線神經(jīng)丘結(jié)構(gòu)與分布Fig.2 Structure and distribution of the neuromasts of the real fish lateral line

表面神經(jīng)丘位于皮膚表面,具有一定的凸起結(jié)構(gòu),數(shù)目較多且較為分散,能夠幫助魚(yú)類感知水流流向與流速[8]。在物理模型中,表面神經(jīng)丘可以表示為2 段首尾相連且彎曲剛度不同的梁(見(jiàn)圖3[9])。當(dāng)生物體游動(dòng)時(shí),表面神經(jīng)丘的梁結(jié)構(gòu)在流速為U∞的水流作用下,沿z軸發(fā)生彎曲,撓度為v(z),位于皮膚下方的神經(jīng)丘產(chǎn)生相應(yīng)的神經(jīng)沖動(dòng),進(jìn)而傳遞到中樞神經(jīng)系統(tǒng)進(jìn)行處理,得到關(guān)于水流速度與方向的信息。表面神經(jīng)丘靈敏度由撓度v(z)與水流速度U∞的相對(duì)大小關(guān)系決定[9]。

圖3 表面神經(jīng)丘簡(jiǎn)化物理模型Fig.3 Simplified physical model of superficial neuromast

管道神經(jīng)丘在體表一般呈直線分布,位于表皮下的側(cè)線管中,側(cè)線管內(nèi)充滿著粘液,并且與外界水環(huán)境通過(guò)小孔相通,能夠幫助魚(yú)類感知水下的壓強(qiáng)梯度[10]。具體的感知機(jī)理為: 外部流場(chǎng)的壓強(qiáng)差p1?p2通過(guò)小孔傳遞到側(cè)線管中,引起側(cè)線管中的局部流動(dòng),從而觸發(fā)管道神經(jīng)丘產(chǎn)生神經(jīng)沖動(dòng)[11](見(jiàn)圖4[2])。

圖4 管道神經(jīng)丘簡(jiǎn)化物理模型Fig.4 Simplified physical model of canal neuromast

在這2 類神經(jīng)丘的幫助下,魚(yú)類能夠充分地獲取外界流場(chǎng)的速度信息與壓強(qiáng)信息,再經(jīng)由大腦實(shí)現(xiàn)對(duì)于這2 類信號(hào)的處理,即使處于黑暗環(huán)境,也能夠較好地感知水流信息,獲取周圍障礙、生物的位置,在水下更好地生存[12]。

2 基于不同感知原理的人工側(cè)線傳感器

為了克服聲學(xué)和光學(xué)原理在水下復(fù)雜環(huán)境中的失效問(wèn)題,研究者們以真實(shí)側(cè)線為靈感,基于不同的傳感原理制作了多種用于水下檢測(cè)的人工側(cè)線傳感器,以此為單元設(shè)計(jì)出人工側(cè)線傳感器陣列,開(kāi)展多種水下檢測(cè)研究,并與仿生機(jī)器魚(yú)結(jié)合進(jìn)行感知與控制研究[13-14]。

現(xiàn)有的人工側(cè)線傳感器主要采用以下傳感方式模擬魚(yú)類的側(cè)線感知功能: 壓阻效應(yīng)、壓電效應(yīng)、電容效應(yīng)、光學(xué)原理以及熱線式風(fēng)速儀原理等,部分人工側(cè)線傳感器如圖5 所示。

圖5 基于不同傳感原理的人工側(cè)線傳感器Fig.5 Several artificial lateral line sensors based on different sensing principles

2.1 壓阻效應(yīng)

壓阻式傳感器主要基于半導(dǎo)體材料的壓阻效應(yīng)感知外部信息。半導(dǎo)體材料受到外力后發(fā)生形變,電阻也會(huì)產(chǎn)生變化。通過(guò)設(shè)計(jì)合適的測(cè)量電路,讀取有關(guān)電學(xué)信息,能夠反推出壓強(qiáng)、張力等待測(cè)的力學(xué)量,進(jìn)而得到水流的速度、壓強(qiáng)等信息。真實(shí)的側(cè)線由2 類神經(jīng)丘組成,以此為靈感設(shè)計(jì)的壓阻式人工側(cè)線傳感器也可分為2 類,分別能夠測(cè)量水下的流速與壓強(qiáng)。

Fan 等[15]制造出第1 個(gè)壓阻式人工側(cè)線流速傳感器。該傳感器(見(jiàn)圖5(a))主要由1 根垂直的人造纖毛、1 個(gè)固定式的半導(dǎo)體自由懸臂和1 個(gè)應(yīng)變儀組成。類似于魚(yú)類側(cè)線的感知機(jī)理,外部水流流經(jīng)時(shí),連接在懸臂自由端的纖毛產(chǎn)生彎曲,導(dǎo)致懸臂發(fā)生形變,位于懸臂梁底部的應(yīng)變儀測(cè)量出這一形變大小,反映水流信息。該傳感器能夠測(cè)量流速范圍為0.1～1 m/s 的層流。后續(xù)的研究者將這一傳感器與熱線式風(fēng)速儀進(jìn)行對(duì)比,省略了懸臂設(shè)計(jì),將纖毛直接連接在基板上,更加貼近真實(shí)側(cè)線的結(jié)構(gòu)(見(jiàn)圖5(b))。這一改進(jìn)設(shè)計(jì)使得傳感器能夠用于不同溫度條件與多種復(fù)雜流動(dòng)下的流速檢測(cè),提高了傳感器的適用范圍與穩(wěn)定性,并且能夠大規(guī)模集成,用于分布式流量傳感[16]。此外,研究者們還從傳感器結(jié)構(gòu)、半導(dǎo)體材料選擇、制作工藝等角度進(jìn)行優(yōu)化(見(jiàn)圖5(d)(e)),提高了人工側(cè)線流速傳感器的靈敏度、測(cè)量范圍及魯棒性等性能[17-26]。

人工側(cè)線流速傳感器主要基于懸臂或纖毛結(jié)構(gòu),而另一類用于測(cè)量壓強(qiáng)的人工側(cè)線傳感器主要采用平面結(jié)構(gòu)設(shè)計(jì),將壓阻器件直接安裝在基板上,檢測(cè)水下壓強(qiáng)場(chǎng)的分布與變化。Vicente 等[27]提出一種用于檢測(cè)方形和圓柱形障礙物的人工側(cè)線壓強(qiáng)傳感器陣列(見(jiàn)圖5(c))。該陣列由數(shù)百個(gè)微型壓強(qiáng)傳感器組成,這些傳感器都被集成在半導(dǎo)體材料上。該陣列的壓強(qiáng)檢測(cè)極限為1 Pa。除了集成現(xiàn)有的壓強(qiáng)傳感器外,研究者們還自主設(shè)計(jì)了多種用于人工側(cè)線系統(tǒng)的壓強(qiáng)傳感器,并將其通過(guò)一定的排列方式組合成傳感陣列(見(jiàn)圖5(f)),用于檢測(cè)水下的壓強(qiáng)信息以及物體信息。通過(guò)使用液晶聚合物等新型材料,傳感器的化學(xué)穩(wěn)定性、密封性以及強(qiáng)度得到了大幅提升,能夠用于極其惡劣的深海環(huán)境[28-31]。

2.2 壓電效應(yīng)

壓電效應(yīng)是指特定材料在受到外力作用時(shí)表面上產(chǎn)生電荷,破壞原有電中性的現(xiàn)象。這種現(xiàn)象也為人工側(cè)線傳感器的研發(fā)提供了新的靈感。基于材料壓電效應(yīng)的傳感器能夠通過(guò)收集電信息來(lái)感知來(lái)自外部環(huán)境的力學(xué)信息。Asadnia 等[32-33]制作了一款基于Pb(Zr0.52Ti0.48)O3薄膜材料的壓電式壓強(qiáng)傳感器(見(jiàn)圖5(g))。其采用立體光刻工藝,將聚合物纖毛連接在薄膜上,并且通過(guò)浮動(dòng)電極來(lái)測(cè)量材料產(chǎn)生的壓電效應(yīng)大小,進(jìn)而得到纖毛感受的外部環(huán)境信息。并基于纖毛束結(jié)構(gòu)設(shè)計(jì)了一款微型流量傳感器(見(jiàn)圖5(h)),其主要部件為用于感知外部信息的聚合物細(xì)絲與壓電納米纖維。該團(tuán)隊(duì)使用精密滴鑄和膨脹工藝,在纖毛束周圍形成了一個(gè)圓頂狀水凝膠殼斗,提升了傳感器的穩(wěn)定性。該傳感器的檢測(cè)閾值為8 μm/s[34]。此外,離子聚合物-金屬?gòu)?fù)合材料(IPMC)、聚偏二氟乙烯(PVDF)等壓電智能材料也能夠用于制作壓電式人工側(cè)線傳感器[35-36]。相比于壓阻式傳感器而言,壓電式傳感器元件能夠在外力作用下自主產(chǎn)生可測(cè)的電信號(hào),不需要添加外部測(cè)量電路,因此體積較小,易于集成。

2.3 電容效應(yīng)

電容器具有高靈敏度和低功耗的特點(diǎn),因此也被應(yīng)用到許多不同類型的傳感器中。電容式傳感器中最關(guān)鍵的組件是電容示值器,它能夠?qū)⑼獠看碳さ淖饔眯ЧD(zhuǎn)換為電容的變化,從而提供了一種檢測(cè)水下壓強(qiáng)和流速的有效方法。類似于壓阻式傳感器,附著在基板上的纖毛在局部流動(dòng)的作用下發(fā)生形變,進(jìn)而改變基板電極間的距離,根據(jù)電容的變化信息就能夠得到外部流場(chǎng)的信息。Krijnen 等[37]受蟋蟀感知啟發(fā),將纖毛連接到氮化硅薄膜上,薄膜間的鉻電極形成了可變的電容器(見(jiàn)圖5(i))。該傳感器的結(jié)構(gòu)還可以進(jìn)一步優(yōu)化[38-39]。Stocking 等[40]受海豹觸須啟發(fā)制作了一種電容式晶須傳感器(見(jiàn)圖5(j))。將剛性人造晶須連接到錐型平行板電容器基座上,流場(chǎng)變化引起晶須形變,進(jìn)而導(dǎo)致電容的變化。電容式傳感器能夠用于測(cè)量流場(chǎng)信息,但是嚴(yán)格來(lái)說(shuō),其結(jié)構(gòu)和感知原理與魚(yú)類的側(cè)線并不相同。目前對(duì)于電容式傳感器的研究?jī)H局限于傳感器的制作以及校準(zhǔn),并未有大量的實(shí)際應(yīng)用研究。

2.4 光學(xué)原理與熱線式風(fēng)速儀原理

光學(xué)原理與熱線式風(fēng)速儀原理也在一定程度上推動(dòng)了人工側(cè)線傳感器的發(fā)展?；诠鈱W(xué)原理的傳感器具有類似于側(cè)線的纖毛結(jié)構(gòu),纖毛在水流中的彎曲可以通過(guò)紅外發(fā)光二極管等光學(xué)方法進(jìn)行測(cè)量,進(jìn)而推算水流速度(見(jiàn)圖5(k))[41-44]。熱線式風(fēng)速儀是一種常用的測(cè)量?jī)x器,主要結(jié)構(gòu)為放置在流體中且被加熱過(guò)的金屬線,當(dāng)有流體流經(jīng)時(shí),熱量的損失導(dǎo)致溫度和電阻的變化,進(jìn)而可以通過(guò)電信號(hào)測(cè)量流體速度。研究者們基于這一原理制作了用于測(cè)量流場(chǎng)速度的傳感器陣列(見(jiàn)圖5(l))[45-48]。這2 類傳感器雖然能夠測(cè)量流場(chǎng)速度,用于水下檢測(cè)研究,但是與魚(yú)類的側(cè)線結(jié)構(gòu)有著很大的差異,難以安裝到仿生機(jī)器魚(yú)載體上進(jìn)行感知實(shí)驗(yàn)探究。

2.5 小結(jié)

目前大部分的研究主要關(guān)注壓阻式傳感器的設(shè)計(jì)與優(yōu)化。相比于其他傳感器,壓阻式傳感器在感知原理上最接近魚(yú)類的側(cè)線神經(jīng)丘,制作工藝更加成熟,商業(yè)產(chǎn)品化程度更高,穩(wěn)定性更好,因此,研究者們更多地會(huì)選擇基于壓阻效應(yīng)的壓強(qiáng)傳感器與流速傳感器進(jìn)行水流檢測(cè)研究,或者與仿生機(jī)器魚(yú)相結(jié)合?，F(xiàn)有的人工側(cè)線傳感器已經(jīng)能夠用于初步的水下探測(cè)研究,但是這些傳感器大多只是簡(jiǎn)單模仿了魚(yú)類側(cè)線神經(jīng)丘的結(jié)構(gòu),并不能深度還原具體的感知機(jī)理,在信息處理性能方面還有很大的差距。

為了更好地模擬真實(shí)的魚(yú)類側(cè)線,除了對(duì)于單個(gè)傳感器的設(shè)計(jì)之外,研究者們還對(duì)陣列中的傳感器數(shù)目、位置分布優(yōu)化進(jìn)行了深入的研究。針對(duì)各種流動(dòng)問(wèn)題(如均勻流、偶極子振蕩源產(chǎn)生的流動(dòng)),基于勢(shì)流理論與保角變換計(jì)算特定翼型周圍的速度場(chǎng)與壓強(qiáng)場(chǎng),從場(chǎng)的數(shù)據(jù)分布特征、系統(tǒng)經(jīng)驗(yàn)可觀測(cè)性等角度進(jìn)行分析,提出一些描述傳感器性能的指標(biāo),如最優(yōu)測(cè)度、對(duì)流速以及目標(biāo)物體信息的估計(jì)誤差等,然后利用優(yōu)化方法得到最優(yōu)的傳感器數(shù)目以及位置分布,并且與真實(shí)魚(yú)類的側(cè)線分布進(jìn)行了對(duì)比[49-53]。這一類研究探究的問(wèn)題較為簡(jiǎn)單,首先,勢(shì)流理論模型沒(méi)有考慮真實(shí)流動(dòng)中的粘性效應(yīng);其次,保角變換只能探究特定外形周圍的流動(dòng),較難進(jìn)行推廣;最后,對(duì)于一些較為復(fù)雜的非定常流動(dòng)問(wèn)題(例如魚(yú)體擺動(dòng)前進(jìn)時(shí)的流場(chǎng)感知),這種方法將極為復(fù)雜。為了更好地模擬真實(shí)流場(chǎng),研究者們通過(guò)計(jì)算流體動(dòng)力學(xué)(computational fluid dynamics,CFD)仿真以及實(shí)驗(yàn)獲取流動(dòng)中的流場(chǎng)數(shù)據(jù),提出描述傳感器數(shù)據(jù)有效性、差異性和冗余性的指標(biāo),通過(guò)貝葉斯估計(jì)、神經(jīng)網(wǎng)絡(luò)等方法求解傳感器的最優(yōu)分布,得到更為可靠的結(jié)果[54-58](見(jiàn)圖6[56],圖中序號(hào)1～20 為傳感器最優(yōu)位置順序)。但是總體而言,對(duì)于這一類問(wèn)題的探究,目前大多只停留在工程優(yōu)化的層面,不同的問(wèn)題有著不同的優(yōu)化目標(biāo)以及不同的側(cè)線分布特征,尚未有一個(gè)從真實(shí)魚(yú)類側(cè)線生物機(jī)理與進(jìn)化角度出發(fā),能夠真正解釋側(cè)線分布、指導(dǎo)傳感器陣列設(shè)計(jì)的結(jié)論。

圖6 壓強(qiáng)傳感器與剪應(yīng)力傳感器分布優(yōu)化結(jié)果Fig.6 Optimization results for the distribution of pressure sensors and shear stress sensors

3 基于人工側(cè)線系統(tǒng)的水流檢測(cè)研究

自然界中的水流十分復(fù)雜,并且上文提到現(xiàn)有的水下探測(cè)方法具有一定的局限性,隨著各種人工側(cè)線傳感器的出現(xiàn),由這些傳感器組成的人工側(cè)線系統(tǒng)逐漸被用于感知流體環(huán)境信息。目前這類研究主要集中在以下幾個(gè)方面: 流場(chǎng)分類、流速與流向檢測(cè)、渦街檢測(cè)和振蕩源檢測(cè)等。部分人工側(cè)線系統(tǒng)及其載體如圖7所示。

1) 在流場(chǎng)分類方面,Salum?e 等[59]使用1 條安裝有5 個(gè)壓強(qiáng)傳感器(S1～S5)的機(jī)器魚(yú)(見(jiàn)圖7(a))開(kāi)展流動(dòng)分類實(shí)驗(yàn),發(fā)現(xiàn)在不同的流動(dòng)環(huán)境下(例如均勻流動(dòng)和周期性湍流),壓強(qiáng)傳感器數(shù)據(jù)呈現(xiàn)不同的特征,這一點(diǎn)能夠幫助機(jī)器魚(yú)識(shí)別所處的流場(chǎng)環(huán)境;此后又通過(guò)增加傳感器的數(shù)目(ps0～ps10)提升了人工側(cè)線系統(tǒng)的性能(圖7(b)分別為軸線AA'上的主視圖與俯視圖),新的人工側(cè)線系統(tǒng)能夠幫助機(jī)器魚(yú)基于壓強(qiáng)波動(dòng)分布區(qū)分層流與湍流[60]。除了對(duì)于壓強(qiáng)數(shù)據(jù)的基本分析外,學(xué)習(xí)方法也能夠幫助人工側(cè)線系統(tǒng)識(shí)別流場(chǎng)環(huán)境。Liu 等[61]使用由23 個(gè)壓強(qiáng)傳感器組成人工側(cè)線系統(tǒng)(見(jiàn)圖7(c)),基于可視化的壓差矩陣與一個(gè)4 層卷積神經(jīng)網(wǎng)絡(luò)完成了流場(chǎng)分類任務(wù)。

2) 水流最重要的參數(shù)為流速與流向,對(duì)這2個(gè)參數(shù)的準(zhǔn)確估計(jì)是精準(zhǔn)、穩(wěn)定控制機(jī)器魚(yú)運(yùn)動(dòng)的基礎(chǔ)。Salum?e 等[59]基于伯努利方程,擬合出機(jī)器魚(yú)(見(jiàn)圖7(a))兩側(cè)的平均壓強(qiáng)與水流速度的關(guān)系,同時(shí)基于機(jī)器魚(yú)受到水流沖擊的一側(cè)壓強(qiáng)更大,提出根據(jù)機(jī)器魚(yú)兩側(cè)壓強(qiáng)差識(shí)別流向的方法。此外,核嶺回歸以及神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)方法也被用來(lái)分析人工側(cè)線數(shù)據(jù)與水流流速、流向的關(guān)系[62-65]。

圖7 多種人工側(cè)線系統(tǒng)及載體Fig.7 Several artificial lateral line systems and the carriers

3) 渦街在自然界中十分常見(jiàn),例如水流流經(jīng)巖石障礙物產(chǎn)生的尾流、魚(yú)類擺尾產(chǎn)生的尾跡等。對(duì)渦街特征的估計(jì)能夠幫助機(jī)器魚(yú)識(shí)別上游物體的尺寸、位置以及周圍魚(yú)類的相關(guān)信息,這對(duì)機(jī)器魚(yú)在自然水流環(huán)境下的感知與運(yùn)動(dòng)具有重要意義[66]。Yang 等[47]首先使用人工側(cè)線系統(tǒng)分析圓柱體產(chǎn)生的Kármán 渦街的空間速度分布。Ren等[67]從理論角度研究了真魚(yú)如何利用側(cè)線感知渦街,基于勢(shì)流理論,建立了魚(yú)體附近壓強(qiáng)場(chǎng)分布與渦街尺寸、傳播速度和方向等參數(shù)的聯(lián)系[41,59,68]。此外,渦街頻率、強(qiáng)度和距離等參數(shù)也被證明能夠通過(guò)人工側(cè)線數(shù)據(jù)來(lái)估計(jì)[69]。在此基礎(chǔ)上,Free等[70-71]通過(guò)經(jīng)驗(yàn)觀測(cè)確定了游經(jīng)渦街的最優(yōu)路徑,采用閉環(huán)控制策略,實(shí)現(xiàn)了機(jī)器魚(yú)在渦街中的導(dǎo)航與巡游。

4) 振蕩源也是一種模擬魚(yú)類尾跡的方法。利用人工側(cè)線系統(tǒng)獲取的速度與壓強(qiáng)信息,估計(jì)振蕩源的位置與運(yùn)動(dòng)方向,對(duì)于進(jìn)一步實(shí)現(xiàn)水下機(jī)器魚(yú)的最優(yōu)軌跡控制與跟蹤游動(dòng)有著重要意義?；趧?shì)流理論,Yen 等[72]將機(jī)器魚(yú)的尾鰭視為振蕩源(見(jiàn)圖7(d)),建立了流場(chǎng)變化的數(shù)學(xué)模型,描述了尾鰭擺動(dòng)參數(shù)與人工側(cè)線壓強(qiáng)變化的關(guān)系,設(shè)計(jì)了讓機(jī)器魚(yú)根據(jù)人工側(cè)線信息調(diào)整擺動(dòng)幅度、頻率和偏航角的跟蹤控制方法。除了流體力學(xué)理論模型外,研究者們還使用CFD 仿真和真實(shí)實(shí)驗(yàn)的方式,基于其他人工側(cè)線模型(圖7(e)和(f))獲取相關(guān)數(shù)據(jù),圖7(e)中字母所示為傳感器位置。使用最小二乘法、波束成形算法以及神經(jīng)網(wǎng)絡(luò)等方法,較好地估計(jì)了振蕩源的參數(shù)[3,44,51,73-88],實(shí)現(xiàn)了對(duì)振蕩源運(yùn)動(dòng)軌跡的追蹤[89-90]。

4 基于人工側(cè)線系統(tǒng)的仿生機(jī)器魚(yú)感知與控制研究

水流檢測(cè)主要基于靜態(tài)的機(jī)器魚(yú)模型或者靜態(tài)的人工側(cè)線陣列,而對(duì)于自由運(yùn)動(dòng)的機(jī)器魚(yú)而言,使用運(yùn)動(dòng)的側(cè)線感知非定常流動(dòng)時(shí),難度將大大增加。然而,Chambers 等[91]的研究表明,運(yùn)動(dòng)狀態(tài)下的人工側(cè)線感知性能優(yōu)于靜態(tài)側(cè)線,這也與自然界中魚(yú)類的感知方式一致。因此,搭載有人工側(cè)線的、運(yùn)動(dòng)的機(jī)器魚(yú)能夠提供更有價(jià)值的實(shí)驗(yàn)數(shù)據(jù),可以嘗試?yán)眠@些信息,讓機(jī)器魚(yú)實(shí)現(xiàn)類似于真實(shí)魚(yú)類的感知功能與自主決策行為。由于完全自由游動(dòng)情形較為復(fù)雜,研究者們通常首先探究具有一定運(yùn)動(dòng)約束的側(cè)線感知問(wèn)題。目前,相關(guān)領(lǐng)域已有較多的研究成果,例如運(yùn)動(dòng)模式識(shí)別、運(yùn)動(dòng)參數(shù)(速度、攻角等)估計(jì)與控制、障礙物識(shí)別與避障、鄰近機(jī)器魚(yú)的感知、定位以及能量節(jié)省等。這也是筆者團(tuán)隊(duì)的主攻方向。部分仿生機(jī)器魚(yú)與人工側(cè)線系統(tǒng)如圖8所示。

在運(yùn)動(dòng)模式識(shí)別方面,Liu 等[92]發(fā)現(xiàn)機(jī)器魚(yú)以不同的模態(tài)(直游、轉(zhuǎn)彎、上升和下潛等)運(yùn)動(dòng)時(shí),壓強(qiáng)數(shù)據(jù)呈現(xiàn)出不同的特征。他們從9 個(gè)壓強(qiáng)傳感器數(shù)據(jù)中提取特征點(diǎn),基于減法聚類算法識(shí)別出機(jī)器魚(yú)的運(yùn)動(dòng)模態(tài)。該方法有助于從側(cè)線數(shù)據(jù)中快速獲得機(jī)器魚(yú)的運(yùn)動(dòng)狀態(tài),有利于后續(xù)迅速、高效施加控制決策。

在運(yùn)動(dòng)參數(shù)估計(jì)以及機(jī)器魚(yú)控制方面,Kruusmaa 等[93]基于壓強(qiáng)傳感器(見(jiàn)圖7(a))測(cè)得的數(shù)據(jù)給出速度估算公式,并且提出一種線性控制律來(lái)調(diào)節(jié)機(jī)器魚(yú)尾鰭擺動(dòng)頻率,從而保持位置的穩(wěn)定。此外,還基于魚(yú)頭兩側(cè)的壓差估計(jì)魚(yú)頭與水流的夾角,并且設(shè)計(jì)控制方法讓機(jī)器魚(yú)根據(jù)壓差數(shù)據(jù)調(diào)整游動(dòng)參數(shù),最終實(shí)現(xiàn)了機(jī)器魚(yú)在穩(wěn)態(tài)水流以及障礙物后方的位置估計(jì)以及位置穩(wěn)定[94]。美國(guó)馬里蘭大學(xué)研究團(tuán)隊(duì)[95-97]設(shè)計(jì)了一種類似于Joukowski 翼型的柔性機(jī)器魚(yú)(見(jiàn)圖8(a),圖中物理量詳見(jiàn)文獻(xiàn)[95]),并在體表安裝分布式壓強(qiáng)傳感器,同時(shí)基于貝葉斯濾波器提出一種檢測(cè)流速和攻角的方法,實(shí)現(xiàn)了對(duì)機(jī)器魚(yú)游速的反饋控制。此外,相關(guān)研究表明,基于神經(jīng)網(wǎng)絡(luò)等訓(xùn)練方法,壓傳數(shù)據(jù)還能夠反映機(jī)器魚(yú)的俯仰角、擾動(dòng)力和擾動(dòng)力矩等參數(shù),有助于提升對(duì)機(jī)器魚(yú)的運(yùn)動(dòng)控制精度[98-100]。

避障功能也是機(jī)器魚(yú)水下游動(dòng)過(guò)程中必須具備的功能之一,這一方面也有著許多研究成果。Martiny 等[101]使用一款裝配有4 個(gè)熱線式人工側(cè)線傳感器的自主水下航行器(見(jiàn)圖8(b)),基于測(cè)得的航行器周圍的流速信息,通過(guò)理論分析與實(shí)驗(yàn)方法估計(jì)出了障礙物與航行器的距離。DeVries等[96]對(duì)上游有障礙物時(shí)機(jī)器魚(yú)(見(jiàn)圖8(c))周圍的流場(chǎng)進(jìn)行分析,從理論的角度得到了估計(jì)障礙物相對(duì)位置的非線性模型,并且使用遞歸貝葉斯濾波實(shí)現(xiàn)了機(jī)器魚(yú)在障礙物后方的位置穩(wěn)定。Yen等[102]將機(jī)器魚(yú)(見(jiàn)圖8(d),圖中A,B,C 分別為傳感器位置)的尾鰭等效為一個(gè)振蕩偶極子源,基于3 個(gè)壓強(qiáng)傳感器測(cè)得的數(shù)據(jù)提出了一種控制機(jī)器魚(yú)沿著直線壁面游動(dòng)并且保持一定距離的方法。此外,Yang 等[103]使用壓差傳感器與流速傳感器融合感知,使得機(jī)器魚(yú)(見(jiàn)圖8(e),圖中P1～P3為壓強(qiáng)傳感器,V4～V6為速度傳感器)在不同的攻角下都能夠估計(jì)出與壁面的距離。現(xiàn)有的避障研究都基于最簡(jiǎn)單的情形,目前尚未有能夠控制機(jī)器魚(yú)在復(fù)雜障礙物群之間自由游動(dòng)的研究結(jié)果,距離真正的避障需求差距較大。

圖8 多種仿生機(jī)器魚(yú)及人工側(cè)線系統(tǒng)Fig.8 Several bio-inspired robotic fish and artificial lateral line systems

實(shí)際應(yīng)用中,希望能夠控制機(jī)器魚(yú)群完成單條機(jī)器魚(yú)無(wú)法完成的復(fù)雜任務(wù)。因此,除了對(duì)于單魚(yú)的感知、控制研究外,多個(gè)機(jī)器魚(yú)相互間的感知與編隊(duì)控制也是一個(gè)熱點(diǎn)問(wèn)題。Li 等[104]基于仿真數(shù)據(jù)訓(xùn)練了人工側(cè)線壓強(qiáng)數(shù)據(jù)與雙魚(yú)距離的關(guān)系。Yen 等[105]用一個(gè)振蕩源模型模擬前魚(yú)的魚(yú)尾,基于壓傳數(shù)據(jù)估計(jì)出前魚(yú)的位置,并且設(shè)計(jì)了反饋跟蹤策略。Li 等[106]基于CFD 仿真與快速傅里葉變換(fast Fourier transform,FFT)方法,分析了雙魚(yú)前后距離、左右距離以及相位差等參數(shù)對(duì)于壓強(qiáng)信號(hào)的影響。筆者團(tuán)隊(duì)[107-110]在這一方面也開(kāi)展了大量研究,發(fā)現(xiàn)基于人工側(cè)線測(cè)得的壓強(qiáng)信息,后方的機(jī)器魚(yú)能夠感知到前魚(yú)的尾鰭擺動(dòng)信息(例如頻率、幅度和偏航角)以及兩魚(yú)的相對(duì)位姿信息(例如相對(duì)垂直距離、相對(duì)偏航角、相對(duì)俯仰角和相對(duì)側(cè)傾角等)。為了更好地進(jìn)行感知,基于伯努利原理提出了雙魚(yú)游動(dòng)時(shí)體表動(dòng)壓變化的理論模型,并且采用可視化實(shí)驗(yàn)和CFD 仿真對(duì)集群游動(dòng)現(xiàn)象進(jìn)行了一定的分析。目前基于側(cè)線的集群游動(dòng)研究只局限于數(shù)目較少的群體間的感知,尚未有基于側(cè)線數(shù)據(jù)的集群編隊(duì)控制方面的研究以及大規(guī)模群體的研究。

除了上述研究主題外,人工側(cè)線也有助于實(shí)現(xiàn)機(jī)器魚(yú)的定位。Muhammad 等[111]提出了一種水下地理感知技術(shù),使得機(jī)器魚(yú)能夠根據(jù)側(cè)線數(shù)據(jù)在半自然或自然環(huán)境中識(shí)別出曾經(jīng)到達(dá)過(guò)的位置。Francisco 等[112]提出一種基于地圖的定位技術(shù),使用CFD 方法計(jì)算環(huán)境的流場(chǎng)速度分布圖,再根據(jù)人工側(cè)線系統(tǒng)獲取的信息估計(jì)所處的位置。此外,對(duì)于魚(yú)類、機(jī)器魚(yú)的研究還有推進(jìn)、節(jié)能等主題[59],由于上述研究中并不涉及人工側(cè)線感知,所以不再贅述。但是在未來(lái),也可以從側(cè)線感知的角度探討這些問(wèn)題。

5 基于仿箱鲀機(jī)器魚(yú)的仿生側(cè)線感知研究進(jìn)展

筆者團(tuán)隊(duì)以自然界中的箱鲀(見(jiàn)圖9)為仿生對(duì)象,設(shè)計(jì)了2 款機(jī)器魚(yú)(見(jiàn)圖10)。箱鲀外形獨(dú)特,像一個(gè)盒子,盒子邊緣有獨(dú)特的脊骨結(jié)構(gòu),且皮膚表面呈現(xiàn)凹凸的特征。在游動(dòng)時(shí),這種結(jié)構(gòu)能幫助箱鲀產(chǎn)生有利于姿態(tài)穩(wěn)定的渦[113-115]。此外,盒子狀的機(jī)器魚(yú)能夠在體內(nèi)搭載更多用于感知、控制的硬件設(shè)備,有利于研究的開(kāi)展。

圖9 真實(shí)的箱鲀魚(yú)Fig.9 Real boxfish

圖10 2款仿箱鲀機(jī)器魚(yú)Fig.10 Two box-fish-inspired robots

5.1 2 款仿生機(jī)器魚(yú)及其動(dòng)力學(xué)建模

對(duì)于2 款仿生機(jī)器魚(yú)，其中一款外形接近箱鲀的特征,由多鰭肢驅(qū)動(dòng)(尾鰭、胸鰭等)(見(jiàn)圖10(a))。在另一款仿生機(jī)器魚(yú)的設(shè)計(jì)過(guò)程中,考慮到上述提及的箱鲀游動(dòng)時(shí)產(chǎn)生的渦結(jié)構(gòu)以及胸鰭的擺動(dòng)會(huì)影響體側(cè)側(cè)線的感知效果,將機(jī)器魚(yú)殼體簡(jiǎn)化為規(guī)則盒狀,并且去除了其他鰭肢,采用單尾鰭驅(qū)動(dòng)(見(jiàn)圖10(b))。2 款機(jī)器魚(yú)分別搭載有9 個(gè)和11 個(gè)壓強(qiáng)傳感器作為人工側(cè)線系統(tǒng),以及慣性導(dǎo)航模塊(inertial measurement unit,IMU)測(cè)量三維空間內(nèi)的加速度與姿態(tài)角信息。2 款機(jī)器魚(yú)都基于中樞模式發(fā)生器(central pattern generator,CPG)來(lái)控制鰭肢的擺動(dòng),可以調(diào)整鰭肢的擺動(dòng)頻率、幅度和偏置,實(shí)現(xiàn)直游、轉(zhuǎn)彎、上升、下降和橫滾等運(yùn)動(dòng)。

在開(kāi)展感知與控制研究之前,首先需要對(duì)于機(jī)器魚(yú)在水下的運(yùn)動(dòng)特性進(jìn)行分析。針對(duì)2 款機(jī)器魚(yú)建立了自由游動(dòng)的三維動(dòng)力學(xué)模型,該模型能夠在不同的運(yùn)動(dòng)方式及大范圍的運(yùn)動(dòng)參數(shù)下有效估計(jì)機(jī)器魚(yú)在水下的速度、姿態(tài)和軌跡等信息(見(jiàn)圖11[116-117])。

圖11 盤(pán)旋運(yùn)動(dòng)下基于動(dòng)力學(xué)模型的軌跡估計(jì)結(jié)果Fig.11 Trajectory estimation results based on dynamic model under spiral motion

5.2 基于人工側(cè)線系統(tǒng)的運(yùn)動(dòng)狀態(tài)估計(jì)

運(yùn)動(dòng)狀態(tài)估計(jì)是仿生機(jī)器魚(yú)研究中的基本問(wèn)題之一,只有實(shí)現(xiàn)了準(zhǔn)確的運(yùn)動(dòng)速度、軌跡估計(jì),才能更好地對(duì)仿生機(jī)器魚(yú)進(jìn)行控制,開(kāi)展下一步研究。筆者團(tuán)隊(duì)基于2 款仿生機(jī)器魚(yú),在運(yùn)動(dòng)參數(shù)估計(jì)方法上取得了一定的進(jìn)展。

機(jī)器魚(yú)的游動(dòng)速度是最重要的運(yùn)動(dòng)參數(shù)之一,現(xiàn)有的速度估計(jì)方法大多基于伯努利方程,機(jī)器魚(yú)頭部的靜態(tài)壓強(qiáng)、動(dòng)態(tài)壓強(qiáng)以及游動(dòng)速度有如下關(guān)系

式中:pt為運(yùn)動(dòng)時(shí)頭部的駐點(diǎn)壓強(qiáng);ps為靜止時(shí)的壓強(qiáng);v為運(yùn)動(dòng)速度;ρ為水流密度。在此基礎(chǔ)上,發(fā)現(xiàn)機(jī)器魚(yú)游動(dòng)時(shí)身體會(huì)進(jìn)行節(jié)律性擺動(dòng)導(dǎo)致駐點(diǎn)位置的偏移,因此在速度估計(jì)模型中引入了角速度ω,有

式中:p為魚(yú)頭處3 個(gè)壓強(qiáng)傳感器減去靜水壓強(qiáng)后的均值;a,b,c,d為待定系數(shù)。根據(jù)回歸結(jié)果能夠基于壓傳數(shù)據(jù)與角速度反解游動(dòng)速度,準(zhǔn)確、實(shí)時(shí)地估計(jì)機(jī)器魚(yú)的游動(dòng)速度[118](見(jiàn)圖12(a)[119])。

此外,除了游動(dòng)速度,還需要考慮機(jī)器魚(yú)的轉(zhuǎn)彎角速度、上升/下降速度,才能實(shí)現(xiàn)對(duì)機(jī)器魚(yú)軌跡的準(zhǔn)確估計(jì)。基于Lighthill 的理論分析結(jié)果與非定常伯努利方程,首次推導(dǎo)出機(jī)器魚(yú)體表動(dòng)態(tài)壓強(qiáng)變化量?pdynamic(絕對(duì)壓強(qiáng)減去靜水壓強(qiáng))與主要運(yùn)動(dòng)參數(shù)的關(guān)系模型

式中:U表示游動(dòng)速度;ω表示偏航角速度;θ表示俯仰角速度;每一項(xiàng)前的系數(shù)都是只依賴于機(jī)器魚(yú)幾何外形的參數(shù)?；趯?shí)驗(yàn)測(cè)得的數(shù)據(jù),采用最小二乘法標(biāo)定出適用于不同運(yùn)動(dòng)狀態(tài)(直線、轉(zhuǎn)彎、上升和盤(pán)旋)下的模型參數(shù)。標(biāo)定完成后,在后續(xù)的實(shí)驗(yàn)中,基于側(cè)線壓傳測(cè)得的壓強(qiáng)數(shù)據(jù),反解出機(jī)器魚(yú)的運(yùn)動(dòng)參數(shù),最終實(shí)現(xiàn)對(duì)軌跡的準(zhǔn)確估計(jì)(見(jiàn)圖12(b)[120])。

圖12 運(yùn)動(dòng)狀態(tài)估計(jì)結(jié)果Fig.12 Estimation results of the motion states

該工作首次實(shí)現(xiàn)了對(duì)于自由游動(dòng)機(jī)器魚(yú)的軌跡估計(jì),且方法能夠推廣至所有擁有剛性殼體的機(jī)器魚(yú),也證明了人工側(cè)線系統(tǒng)在運(yùn)動(dòng)參數(shù)、軌跡估計(jì)方面的有效性,并具備成為水下機(jī)器人通用傳感系統(tǒng)基本元件的潛力。在未來(lái),會(huì)關(guān)注壓強(qiáng)傳感器在野外環(huán)境中的標(biāo)定,并且嘗試將人工側(cè)線系統(tǒng)應(yīng)用于自然環(huán)境中的軌跡估計(jì)研究。此外,還會(huì)將人工側(cè)線系統(tǒng)得到的軌跡信息作為閉環(huán)控制回路中的反饋信息,實(shí)現(xiàn)對(duì)水下機(jī)器魚(yú)的軌跡跟蹤控制。

5.3 基于人工側(cè)線系統(tǒng)的姿態(tài)保持控制

攻角即機(jī)器魚(yú)朝向與來(lái)流的夾角。為了能夠控制機(jī)器魚(yú)像真實(shí)魚(yú)類一樣在水下自由游動(dòng),除了需要控制機(jī)器魚(yú)的游動(dòng)速度外,還需要控制機(jī)器魚(yú)在來(lái)流中的攻角,實(shí)現(xiàn)姿態(tài)的穩(wěn)定。在此基礎(chǔ)上,從傳感器融合感知的角度進(jìn)一步研究這一問(wèn)題。對(duì)比基于3 種反饋信息(人工側(cè)線與神經(jīng)網(wǎng)路估計(jì)的攻角數(shù)據(jù)、IMU 測(cè)得的偏航角數(shù)據(jù)以及二者融合數(shù)據(jù))下攻角控制策略的效果,可以發(fā)現(xiàn),雙傳感器融合信息方法優(yōu)于單傳感器方法(見(jiàn)圖13[121])。

圖13 單尾鰭驅(qū)動(dòng)機(jī)器魚(yú)基于雙傳感器融合方法的攻角控制結(jié)果Fig.13 Control results of angle of attack of single-tail driven robotic fish based on dual-sensor fusion method

為了更好地解決這一問(wèn)題,首次引入強(qiáng)化學(xué)習(xí)框架。由于流體的強(qiáng)非線性,機(jī)器魚(yú)在游動(dòng)時(shí)周圍的流場(chǎng)變化無(wú)法用簡(jiǎn)單的理論模型表達(dá)。為此,采用深度神經(jīng)網(wǎng)絡(luò)模擬機(jī)器魚(yú)游動(dòng)時(shí)的流固耦合環(huán)境?；谶@一虛擬仿真環(huán)境不斷生成數(shù)據(jù),使用確定性策略梯度(deep deterministic policy gradient,DDPG)算法訓(xùn)練機(jī)器魚(yú)利用壓強(qiáng)傳感器數(shù)據(jù)與IMU 數(shù)據(jù)實(shí)現(xiàn)姿態(tài)穩(wěn)定的控制策略。最終,強(qiáng)化學(xué)習(xí)框架能夠直接將人工側(cè)線系統(tǒng)測(cè)得的傳感器原始數(shù)據(jù)以端到端的方式直接映射到連續(xù)控制信號(hào),實(shí)現(xiàn)對(duì)攻角的控制(見(jiàn)圖14[122])。由于虛擬環(huán)境的引入,避免了大量獲取實(shí)驗(yàn)數(shù)據(jù)的過(guò)程。相比于傳統(tǒng)的模型預(yù)測(cè)控制(model predictive control,MPC)方法而言,該方法能夠與MPC 方法相媲美甚至效果更好。此外,MPC 方法依賴大量的計(jì)算資源,需要在電腦上運(yùn)行部署,而基于學(xué)習(xí)的方法能夠直接在機(jī)器魚(yú)搭載的樹(shù)莓派上運(yùn)行,這對(duì)于自主式機(jī)器魚(yú)的感知與控制有著重要意義[122]。

圖14 單尾鰭驅(qū)動(dòng)機(jī)器魚(yú)基于深度強(qiáng)化學(xué)習(xí)框架的攻角控制結(jié)果Fig.14 Control results of angle of attack of single-tail driven robotic fish based on deep reinforcement learning framework

這個(gè)方法能夠很好地用于實(shí)驗(yàn)室環(huán)境下的姿態(tài)保持控制,但是自然環(huán)境下的實(shí)驗(yàn)具有更多的不確定性。當(dāng)機(jī)器魚(yú)能夠自由游動(dòng)時(shí),控制其相對(duì)于水流的攻角也會(huì)更加復(fù)雜。未來(lái),將嘗試結(jié)合速度、攻角的估計(jì)與控制研究,在自然環(huán)境中讓機(jī)器魚(yú)像真實(shí)魚(yú)類那樣游動(dòng)。

5.4 基于人工側(cè)線系統(tǒng)的機(jī)器魚(yú)鄰近感知

目前關(guān)于仿生機(jī)器魚(yú)群的感知與控制研究較少,筆者團(tuán)隊(duì)較早地基于人工側(cè)線系統(tǒng)開(kāi)展了對(duì)于多魚(yú)鄰近感知的探究分析。一方面,通過(guò)可視化與CFD 仿真技術(shù)分析了機(jī)器魚(yú)擺尾產(chǎn)生的渦街特性(見(jiàn)圖15[107])。另一方面,通過(guò)采集尾鰭擺動(dòng)引起的流場(chǎng)壓強(qiáng)變化數(shù)據(jù),發(fā)現(xiàn)人工側(cè)線壓強(qiáng)傳感器能夠檢測(cè)到前方尾鰭的擺動(dòng)幅度、頻率、偏置角以及相對(duì)垂直高度、相對(duì)偏航角、相對(duì)俯仰角以及相對(duì)橫滾角等相對(duì)位姿信息[107]。在此基礎(chǔ)上,基于線性回歸、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)等方法通過(guò)壓強(qiáng)傳感器數(shù)據(jù)對(duì)上述信息進(jìn)行估計(jì),得到了較好的估計(jì)效果(見(jiàn)圖16[108])。

圖15 尾鰭后方瞬時(shí)渦環(huán)圖Fig.15 Instantaneous vortex core region behind an individual oscillating caudal fin

圖16 基于隨機(jī)森林方法的前方尾鰭擺動(dòng)幅度估計(jì)結(jié)果Fig.16 Estimation results of oscillating amplitude of the front caudal fin based on random forest method

此外,還分析了領(lǐng)航者-跟隨者的雙魚(yú)隊(duì)形下,人工側(cè)線壓強(qiáng)數(shù)據(jù)與前后距離的關(guān)系[109],如圖17[110]所示。圖中: Δd1和Δd2為器件尺寸;Slogitudinal和Slateral為機(jī)器魚(yú)前后、左右距離;Vu和Vd為兩魚(yú)速度;ωu和ωd為兩魚(yú)角速度。進(jìn)一步地,基于勢(shì)流理論與數(shù)據(jù)驅(qū)動(dòng)方法,提出了雙魚(yú)隊(duì)形下的壓強(qiáng)理論模型,發(fā)現(xiàn)運(yùn)動(dòng)兩魚(yú)相對(duì)一側(cè)的傳感器會(huì)受到兩魚(yú)運(yùn)動(dòng)的影響,而兩魚(yú)相背一側(cè)的傳感器只會(huì)受到自身運(yùn)動(dòng)的影響。實(shí)驗(yàn)結(jié)果也驗(yàn)證了這一模型的準(zhǔn)確性[110]。

圖17 雙魚(yú)領(lǐng)航者-跟隨者隊(duì)形示意圖Fig.17 Leader-follower formation diagram of two robotic fishes

以上進(jìn)行的機(jī)器魚(yú)鄰近感知研究大部分都是簡(jiǎn)化的問(wèn)題,機(jī)器魚(yú)的部分自由度被約束。目前尚未有關(guān)于完全自由的集群游動(dòng)時(shí)機(jī)器魚(yú)對(duì)周圍個(gè)體的感知研究。進(jìn)行此項(xiàng)研究的基礎(chǔ)是首先需要基于一些方法讓機(jī)器魚(yú)以特定的隊(duì)形穩(wěn)定地進(jìn)行游動(dòng),目前尚未有基于側(cè)線反饋信息實(shí)現(xiàn)隊(duì)形控制的研究,而能夠?qū)崿F(xiàn)隊(duì)形保持的機(jī)器魚(yú)模型也并未搭載人工側(cè)線。未來(lái)可以將這兩方面研究相結(jié)合,將集群控制與鄰近感知研究拓展到完全自由的情形,讓機(jī)器魚(yú)群能夠像魚(yú)群一樣進(jìn)行游動(dòng)與感知。

6 總結(jié)與展望

由于水下探測(cè)的需要以及現(xiàn)有水下探測(cè)方法的局限性,研究人員以魚(yú)類的側(cè)線感官為靈感,開(kāi)發(fā)了由一系列傳感器組成的人工側(cè)線系統(tǒng),并與水下機(jī)器人技術(shù)相結(jié)合,實(shí)現(xiàn)了多項(xiàng)感知以及控制任務(wù)。人工側(cè)線系統(tǒng)在水下探測(cè)領(lǐng)域展現(xiàn)出巨大的潛力。

文中概述了基于不同原理的人工側(cè)線傳感器及其用于水流檢測(cè)、機(jī)器魚(yú)感知與控制的各項(xiàng)研究。關(guān)于人工側(cè)線系統(tǒng)的研究已經(jīng)有了許多成果,但是現(xiàn)有的人工側(cè)線系統(tǒng)性能仍然與真實(shí)的魚(yú)類側(cè)線相去甚遠(yuǎn)。

從傳感器性能的角度分析,目前用于人工側(cè)線系統(tǒng)的傳感器陣列從靈敏度、穩(wěn)定性、協(xié)調(diào)性和信息處理能力等許多方面來(lái)看,都無(wú)法與真實(shí)魚(yú)類的側(cè)線相比。為了提升單個(gè)傳感器的靈敏度與穩(wěn)定性,可以從大量新型材料中選取具有傳感能力、力學(xué)性能優(yōu)良、化學(xué)性質(zhì)穩(wěn)定的材料(例如石墨烯等)作為基礎(chǔ),設(shè)計(jì)相應(yīng)的敏感元件、轉(zhuǎn)換元件與處理電路,并作防水處理,使得傳感器能夠在惡劣的溫度和壓力條件下保持足夠的精準(zhǔn)度。除了提升單個(gè)傳感器的性能外,傳感器陣列的協(xié)調(diào)作用也十分重要?，F(xiàn)有的人工側(cè)線系統(tǒng)一般只由一種傳感器(壓強(qiáng)傳感器或流速傳感器)組成,并且呈直線或方形排列。相比之下,真實(shí)的側(cè)線由表面神經(jīng)丘和管道神經(jīng)丘組成,并且具有復(fù)雜的分布方式。在后續(xù)的研究中,可以在機(jī)器魚(yú)表面同時(shí)安裝壓強(qiáng)傳感器和流速傳感器,進(jìn)行流場(chǎng)感知與機(jī)器魚(yú)控制實(shí)驗(yàn),與現(xiàn)有的傳感器陣列性能進(jìn)行對(duì)比分析。目前用來(lái)優(yōu)化人工側(cè)線分布的指標(biāo)大多只能針對(duì)某一特定的目標(biāo)問(wèn)題,具有一定的局限性,并不能解釋魚(yú)類側(cè)線的分布規(guī)律,也無(wú)法推廣到所有的感知任務(wù)中。因此,需要研究魚(yú)類側(cè)線分布的生物學(xué)原理,提出具有普適意義的傳感器性能指標(biāo),從而為不同任務(wù)場(chǎng)景下人工側(cè)線系統(tǒng)的分布設(shè)計(jì)提供理論指導(dǎo)。在對(duì)側(cè)線信息的處理方面,魚(yú)類能夠迅速對(duì)感受到的信號(hào)做出反應(yīng)。隨著側(cè)線硬件的進(jìn)步,也需要開(kāi)發(fā)更高效的濾波、感知以及行為決策方法,從算法的角度提升人工側(cè)線的性能。除了傳統(tǒng)的算法外,機(jī)器學(xué)習(xí)方法與人工智能的發(fā)展為這一問(wèn)題提供了新的方向。

在水流檢測(cè)方面,研究者們針對(duì)不同的問(wèn)題提出了多種感知方法。但是,目前的研究大多在實(shí)驗(yàn)室環(huán)境下進(jìn)行,人工側(cè)線載體運(yùn)動(dòng)簡(jiǎn)單(例如靜止或直線運(yùn)動(dòng)),水環(huán)境穩(wěn)定。而在自然環(huán)境中,真實(shí)的水流與魚(yú)類的游動(dòng)都要復(fù)雜的多,這將大大增加感知實(shí)驗(yàn)的難度。隨著人工側(cè)線性能的提升,未來(lái)需要更多地開(kāi)展自然環(huán)境中的實(shí)驗(yàn),例如使用人工側(cè)線系統(tǒng)在真實(shí)的河流中實(shí)時(shí)估計(jì)水流速度、河流中的障礙物位置以及真魚(yú)的位置與擺動(dòng)狀態(tài)等,進(jìn)一步挖掘人工側(cè)線的感知潛力,使其越來(lái)越貼近真實(shí)的魚(yú)類側(cè)線功能。

水下機(jī)器魚(yú)的流場(chǎng)輔助控制是一個(gè)前景十分可觀的研究方向,未來(lái)在海洋勘探中可以得到廣泛的應(yīng)用。作為一切控制任務(wù)與感知任務(wù)的前提,機(jī)器魚(yú)首先需要能夠準(zhǔn)確估計(jì)自身的速度、位置和姿態(tài)等信息。因此,需要基于流體力學(xué)理論或數(shù)據(jù)驅(qū)動(dòng)方法建立水下機(jī)器魚(yú)的運(yùn)動(dòng)學(xué)與動(dòng)力學(xué)模型,幫助機(jī)器魚(yú)在無(wú)法使用視覺(jué)的情況下完成運(yùn)動(dòng)模式的自我識(shí)別與軌跡估計(jì)。在此基礎(chǔ)上,才能夠設(shè)計(jì)感知與控制方法,豐富機(jī)器魚(yú)在水下的功能。避障行為是實(shí)現(xiàn)機(jī)器魚(yú)自主運(yùn)動(dòng)必須要解決的難題之一。機(jī)器魚(yú)需要根據(jù)人工側(cè)線獲取的流場(chǎng)信息,識(shí)別障礙物的大小和位置,重新構(gòu)建出周圍的地圖環(huán)境并且規(guī)劃最佳導(dǎo)航路徑。在實(shí)驗(yàn)室環(huán)境中,可以探究機(jī)器魚(yú)對(duì)于簡(jiǎn)單障礙物單元(例如墻壁、圓形障礙和三角障礙)以及障礙物群的感知,設(shè)計(jì)相應(yīng)的避障控制策略。在具備一定的感知能力后,在自然河流實(shí)驗(yàn)環(huán)境中進(jìn)一步實(shí)現(xiàn)機(jī)器魚(yú)的避障游動(dòng)行為。除了對(duì)于單條機(jī)器魚(yú)的控制研究外,基于人工側(cè)線系統(tǒng),還可以研究機(jī)器魚(yú)群的相互感知與集群控制,例如在三角隊(duì)形或方形隊(duì)形下,探究機(jī)器魚(yú)利用人工側(cè)線感知周圍個(gè)體的位置信息,并且基于相對(duì)位置信息設(shè)計(jì)反饋控制策略,實(shí)現(xiàn)隊(duì)形的穩(wěn)定。在未來(lái)的水下任務(wù)中,相比于單魚(yú)而言,使用魚(yú)群能夠極大地提高水下探索的效率與水下任務(wù)的成功率。

7 結(jié)束語(yǔ)

水下仿生側(cè)線感知技術(shù)涉及生物學(xué)、機(jī)器人學(xué)、流體力學(xué)以及智能科學(xué)等多個(gè)學(xué)科與領(lǐng)域,雖然研究難度較大,但具有較高的研究?jī)r(jià)值與廣闊的應(yīng)用前景。人工側(cè)線系統(tǒng)的發(fā)展為海洋勘探與開(kāi)發(fā)提供了強(qiáng)大的工具,尤其是在惡劣環(huán)境下聲吶、紅外等傳感方式失效時(shí)。文中主要介紹了水下仿生側(cè)線感知的研究現(xiàn)狀以及筆者團(tuán)隊(duì)的有關(guān)工作。目前現(xiàn)有的研究主要集中于人工側(cè)線傳感器的研發(fā)、基于人工側(cè)線系統(tǒng)的水流檢測(cè)、基于人工側(cè)線系統(tǒng)的仿生機(jī)器魚(yú)感知與控制等方面。但是目前的大部分研究對(duì)問(wèn)題作了簡(jiǎn)化,與真實(shí)魚(yú)類在水中的游動(dòng)以及感知還有一定差距,要實(shí)現(xiàn)與真實(shí)魚(yú)類相媲美的感知能力與自主控制決策能力,還有很長(zhǎng)的路要走。在未來(lái),隨著硬件與感知決策算法的進(jìn)一步發(fā)展,人工側(cè)線系統(tǒng)有望進(jìn)一步提升水下機(jī)器魚(yú)的感知能力以及其他綜合能力,幫助更好地探索海洋、保護(hù)海洋,建設(shè)海洋強(qiáng)國(guó)。