深度学习模型用于翅鳍式无人 underwater 车辆控制系统的摆动节律优化

过去几十年来，聚焦于生物仿生无人 underwater 车辆 (UUV) 的推进和控制系统研究兴起，这些车辆为 underwater 任务提供了比传统 UUV 更灵活的替代方案。近期工作探索了利用时序神经网络替代模型来预测来自车辆设计和鳍运动的推力和功耗。我们发展了一种基于 kinematics-to-thrust 和 kinematics-to-power 神经网络模型的搜索式逆向模型，用于控制系统设计。我们的逆向模型寻找一组鳍运动，以多目标方式实现目标推力、受功耗约束，同时在摆动周期之间创建平滑的运动学过渡。我们演示了集成此逆向模型的控制系统可进行在线、周期间的调整，以优先处理不同的系统目标，在提升推力或降低功耗方面，针对给定运动的提升可达 0.5 N 和 3.0 W，在 2.2 N 和 9.0 W 的范围内。由于推进效率是翅鳍式 UUV 在延长其作战范围和耐久性方面至关重要，但缺乏先前研究， 我们开发了从推进效率度量中派生的无量纲效能量 (FOM)，能够评估不同的鳍设计和运动学，并允许与其他生物仿生平台进行比较。我们使用所开发的 FOM 分析最优鳍律，比较不同鳍材料的性能，提供了鳍材料如何影响推力产生和推进效率的更好理解， 并允许我们为在所开发的逆向鳍律选择模型上实现效率权重和控制系统提供指导。