学会游泳：用于四足机器人步态优化的数据驱动LSTM水动力学模型
机器人学
2025-09-05 v1 机器学习
摘要
本文提出了一种基于长短期记忆网络的流体实验数据驱动模型（FED-LSTM），用于预测我们构建的水下四足机器人所受的非定常、非线性水动力。FED-LSTM在循环水槽和拖曳水池中进行的腿部力和身体阻力测试实验数据上训练，其性能优于通常用于平板表面流动预测的传统经验公式（EF）。该模型在捕捉复杂流体动力学方面表现出卓越的准确性和适应性，特别是在通过NSGA-II算法进行的直线和转弯步态优化中。FED-LSTM减少了直线游泳时的偏转误差，并在不增加转弯半径的情况下缩短了转弯时间。硬件实验进一步验证了该模型相对于EF的精度和稳定性。该方法为提升腿式机器人的游泳性能提供了一个鲁棒的框架，为水下机器人运动的未来发展奠定了基础。
引用
@article{arxiv.2505.03146,
title = {Learn to Swim: Data-Driven LSTM Hydrodynamic Model for Quadruped Robot Gait Optimization},
author = {Fei Han and Pengming Guo and Hao Chen and Weikun Li and Jingbo Ren and Naijun Liu and Ning Yang and Dixia Fan},
journal= {arXiv preprint arXiv:2505.03146},
year = {2025}
}
备注
This work has been accepted for publication in the IEEE International Conference on Robotics and Automation (ICRA) 2025. The final version will be available in IEEE Xplore (DOI to be assigned upon publication)