通过端到端深度强化学习提升生物仿生机器人鱼的效率与推进性能
机器人学
2025-06-06 v1 流体动力学
摘要
水生生物体以低能耗实现高效推进而闻名。虽然现有研究致力于借鉴生物结构降低水下机器人能耗，但控制策略在提升效率中的作用常被忽视。本研究采用深度强化学习 (DRL) 优化生物仿生机器人鱼的运动，以最大化推进效率、最小化能耗。我们提出的 novel DRL 方法融合了扩展压力感知、处理观察序列的 Transformer 模型，以及策略迁移方案。显著提升的训练稳定性与速度，使本方法能够对机器人鱼完成端到端训练，从而实现对水动力环境的灵敏响应，并相较于预定义运动模式控制具有更大的优化潜力。实验在 Reynolds 数为 6000 的自由流中，通过计算流体动力学 (CFD) 模拟完成，针对一串联刚体机器人鱼进行。DRL 训练得到的策略展现出卓越的效率与推进性能，亦通过流场分析揭示了该智能体能熟练利用身体结构并与周围流体动力学进行互动。本研究为通过 DRL 训练优化生物仿生水下机器人提供了宝贵参考，既利用其结构优势，亦为更高效的水下推进系统贡献了力量。
引用
@article{arxiv.2506.04627,
title = {Enhancing Efficiency and Propulsion in Bio-mimetic Robotic Fish through End-to-End Deep Reinforcement Learning},
author = {Xinyu Cui and Boai Sun and Yi Zhu and Ning Yang and Haifeng Zhang and Weicheng Cui and Dixia Fan and Jun Wang},
journal= {arXiv preprint arXiv:2506.04627},
year = {2025}
}