在涡流场中高效导航的机器人鱼
摘要
在涡旋流场中高效导航是诸多机器人应用中的重要挑战。涡旋流的动态和不可稳定特性常常扰乱水下机器人的控制，使其在水动力学环境中 operation 困难。传统的控制方法依赖于准确的建模，在涡旋流引起的流体-结构相互作用 (FSI) 复杂性下难以实现。本研究提出一种深度强化学习 (DRL) 算法，通过数据驱动方式训练，使机器人鱼能够在涡旋流中高效导航。我们提出的算法采用LSTM架构，并使用多个连续的观察作为状态以解决部分观察的问题，这通常由传感器限制导致。我们利用浸入边界-格子玻尔兹曼方法 (IB-LBM) 在Karman涡街中的导航进行数值研究，该涡街由置于均匀流中的静止圆柱创建。目标是训练机器人鱼发现高效的导航策略，使其能够从不同初始位置跨越Karman涡街到达指定目标点。在训练后，鱼 demonstrating 从不同初始位置快速到达目标的能力，展示了我们所提出算法的有效性和鲁棒性。结果分析表明，机器人鱼能够利用涡旋引起的速度增益和压力差来到达目标，凸显了我们所提出算法在复杂水动力环境中提升导航能力的潜力。
引用
@article{arxiv.2405.14251,
title = {Efficient Navigation of a Robotic Fish Swimming Across the Vortical Flow Field},
author = {Haodong Feng and Dehan Yuan and Jiale Miao and Jie You and Yue Wang and Yi Zhu and Dixia Fan},
journal= {arXiv preprint arXiv:2405.14251},
year = {2024}
}
备注
We would like to request the withdrawal of our submission due to some misunderstandings among the co-authors concerning the submission process. It appears that the current version was submitted before we reached a consensus among all authors. We are actively working to address these matters and plan to resubmit a revised version once we achieve agreement