用于 Flapping 机器人翼膀的深度逆向映射模型

在系统控制中，系统的动力学通过调制输入来实现预期结果。例如，为了控制四旋翼飞机螺旋桨的推力，控制器调节其旋转速度，依赖于输入旋转速度与 resulting 推力之间的直接映射。这种映射可以逆转，用于确定产生预期推力所需的旋转速度。然而，在复杂系统中，例如包含复杂流体运动的拍翼机器人，将输入（翼膀运动学）映射到结果（气动力）是一个非平凡问题，且对实时控制进行逆向映射在计算上是不可行的。本文报告了一种基于我们所开发的实验系统数据的人工智能方法，用于拍翼系统的逆向映射。我们的模型学习生成预期气动力结果所需的输入翼膀运动。我们采用针对时间序列数据优化的序列到序列模型，并增添了一种新型自适应频谱层，实现频域中的表示学习。为训练我们的模型，我们开发了一个拍翼系统，同时使用高速摄像机测量翼膀的气动力及其三维运动。我们在另一个开源的拍翼翼在不同流动条件下的数据集上展示了系统性能。结果显示，我们的系统在测试数据集的中位数损失上优于更复杂的基于 Transformer 的最先进模型，提高了 11%。此外，我们的模型在推理时间方面表现优异，适用于机器人上的控制。我们的开源数据和框架可能有助于改进受复杂动力学支配的系统（从仿生机器人到生物医学装置）的建模和实时控制。