核心内容摘要
打扑克牌不盖被子
学习游泳基于数据驱动长短记忆流体动力学模型的四足机器人步态优化Learn to Swim: Data-Driven LSTM Hydrodynamic Model for Quadruped Robot Gait Optimization韩非1, 2郭鹏明2陈浩2李伟琨2任景博3刘乃军4杨宁4范迪夏2, *
浙江大学杭州
流体智能与信息化实验室西湖大学杭州
信阳师范大学信阳
中国科学院自动化研究所北京 100190引用格式HAN F, GUO P, CHEN H, et al. Learn to Swim: Data-Driven LSTM Hydrodynamic Model for Quadruped Robot Gait Optimization[C]// Proceedings of 2025 IEEE International Conference on Robotics and Automation (ICRA). (临时DOI:
1
48550/arXiv.
2505.
)水下机器人如何“学会游泳”用实验数据和记忆网络预测流体优化步态在水中游动对于仿生机器人来说是一项巨大的挑战。
陆地四足机器人一旦下水就仿佛进入了另一个世界来自水的持续扰动、黏滞阻力以及复杂的流体动力让原本有效的陆地控制策略变得无效。
与坚实地面不同水环境中存在边界层分离、涡流等现象会产生难以预测的非线性流体阻力。
流体与固体的耦合流固耦合意味着机器人肢体的运动会影响周围水流反过来水流又作用于机器人这种双向作用极难用传统解析模型精确描述。
正因如此让水下仿生机器人“学会游泳”一直是机器人领域令人着迷又头疼的问题。
水下仿生机器人潜力与挑战水下仿生机器人如水陆两栖四足机器人近年来受到关注。
这些机器人结合了腿足的机动性和水中推进的能力期望像两栖动物那样在陆地和水中自如行动。
然而实现这一点并不容易。
陆地上的四足机器人经过多年的发展已经能在复杂地形稳健行走、奔跑但一旦进入水中它们就面临截然不同的动力学条件。
自然界中的两栖动物如青蛙、鳄鱼能轻松在水下游动这是因为它们进化出了适应水环境的形态和控制机制。
而人工机器人缺乏对水动力的天然适应在水下环境常常举步维艰水的黏性使动作受到持续阻尼稍有运动就激起涡流使受力情况复杂多变。
传统上工程师可能采用简化的经验力学模型来近似这些水动力例如将机器人部件近似为平板计算阻力。
但是这些经验公式通常只适用于简单情况难以捕捉运动过程中的非定常流体力变化。
过去也有通过机械设计调整如增加鳍、调整形状来改善水下性能的尝试以及对受力进行平均化简处理的模型但这些方法精度有限无法支撑机器人在复杂水环境中优化性能。
水下流固耦合建模的困难正是由于其背后的流体力学方程Navier-Stokes方程高度非线性求解成本高且对初边界条件极为敏感。
要让机器人真正掌握“游泳”本领我们需要新的思路来获得对水动力更精确且高效的描述。
数据驱动水动力模型LSTM记忆非稳态水动力针对上述难题来自西湖大学FSI实验室等机构的研究者提出了一种数据驱动的方法让机器人通过“学习”实验数据来掌握水动力规律。
他们在最新论文《Learn to Swim: Data Driven LSTM Hydrodynamic Model for Quadruped Robot Gait Optimization》中提出了基于长短期记忆网络LSTM的流体实验数据驱动模型FED-LSTM。
该模型利用大量实测数据训练而成能够预测机器人腿部在水中受到的非稳态流体动力。
相比静态的经验公式模型LSTM是一种带有“记忆”能力的循环神经网络擅长处理时间序列数据因此非常适合捕捉水动力随时间的动态变化。
研究团队构建了一套完整的实验和建模流程首先他们改装了一台小型四足机器人Pupper使其能够下水游动包括对机身进行防水处理、在每条腿中段加装刚性“脚蹼”增加受力面积并在机器人内部加入浮力材料使其具有微小正浮力以提高水中稳定性。
这些硬件增强确保机器人在水中有足够驱动力和稳定性如图1A所示。
然后他们在水槽和拖曳水槽中进行了大量实验在水流循环通道中测量单腿划水时受到的三轴力和力矩图1B所示并在拖曳实验中测量机身阻力。
通过这些实验获取的真实流体力数据如各关节角度、速度对应的受力用来训练FED-LSTM模型使其学会从机器人腿运动状态预测瞬时的水动力大小。
图1四足机器人水动力学建模与优化流程示意。
机器人上增加防水和浮力模块腿部的“脚蹼”A在水槽中通过六轴力传感器获取机器人腿部所受三向力和力矩数据B预测腿部受力的LSTM网络模型C拖曳实验建立机身阻力模型DNSGA-II算法参数优化并在开阔水域实验中验证优化效果E和F训练完成的FED-LSTM模型可以在已知水流速度和机器人腿关节运动状态角度与角速度下实时预测腿部各方向受力和力矩。
论文对比了传统经验公式EF模型与FED-LSTM模型在预测性能上的差异。
如图2所示在两组不同的划水运动范围下分别对应较小和较大的关节摆动幅度经验模型虽然能定性捕捉受力变化趋势但预测误差显著大于LSTM模型。
特别是对于复杂的运动模式经验模型难以准确预测腿部力矩等量而LSTM模型依然表现出很高的精度。
定量比较显示随着水流速度增加两种模型的预测误差均增大但经验模型的误差增幅更大在高流速下经验模型的均方误差MSE急剧上升而FED-LSTM模型的误差始终保持在较低水平。
这说明经验公式在超出简单条件时变得不可靠而数据驱动的LSTM模型对非线性、非稳态的流体作用具有更好的鲁棒性。
图2FED-LSTM模型与经验模型EF的受力预测对比 。
左、右两列分别对应两种不同的腿关节运动范围((a)和(b))。
每列顶部的小图显示了腿部运动轨迹和水动力作用示意下方三行分别是测量得到的三向力/力矩红色为真实值GT与模型预测绿色为LSTM蓝色为经验模型的对比曲线。
值得一提的是FED-LSTM模型不仅限于单腿。
研究者将每条腿的LSTM子模型和机身阻力模型相结合建立了全身动力学模型用于仿真机器人在水中的运动。
基于这个模型他们进一步开展了泳姿步态优化 的研究。
由于水下运动涉及多目标权衡例如游泳速度、直线稳定性、转弯半径等论文采用了NSGA-II非 支配排序遗传算法II进行多目标优化 。
他们将机器人划水运动由一系列参数决定例如腿划水幅度、频率、四条腿之间的相位差等将这些参数作为待优化的决策变量。
定义了直线游动和原地转弯两种运动的评价 指标对于直线游动希望横向偏移最小、航向偏差最小且用时最短对于转弯运动希望转圈半径适当且用 时最短。
通过进化算法在仿真环境中对这些目标进行全局优化可以得到一组在不同权衡下的优选步态 参数非支配解集合。
论文将其中综合评分最优的几个解用于机器人实物测试比较基于LSTM模型优化的步 态和基于经验模型优化的步态在实际水池实验中的表现差异。
实验验证让机器人游得更快、更稳研究团队在一个4m×5m、水深
5m的水池中进行了开阔水域测试 。
实验分别针对直线前进和原地转弯两 种动作使用上述优化得到的“最佳”步态参数进行对比。
结果表明采用FED-LSTM模型优化的步态明显优 于采用经验模型优化的步态。
在直线游动实验中使用LSTM模型优化的机器人以更快的速度抵达了终点线用时仅21秒而传统模型优化的步态用时23秒更重要的是前者在到达2米距离时的平均横向偏移仅
09米而 后者偏移达到
17米 。
也就是说基于LSTM的步态使定位精度提高了约
4
1%游泳用时减少了
7% 。
在原地转弯实验中两种方法下机器人的转弯半径相近约
06~
08m但LSTM优化的步态仅用22 秒就完成了一周旋转而经验模型步态则耗时42秒 。
尽管两者最终转弯半径差不多LSTM步态的转圈速度 快了一倍效率提高约
4
6% 。
这些结果通过真实环境测试验证了FED-LSTM模型的有效性它不仅提高了模型预测水动力的精度还指导机器人获得了更优的游动策略使其在水中的稳定性和机动性都有所提升。
图3两种模型优化所得最优解性能比较 。
该图比较了直线运动和转弯运动下采用FED-LSTM模型优化的 方案蓝色与采用经验模型优化的方案绿色的关键性能指标包括游泳时间TS、直线 运动的定位误差MAE(Xglobal)以及转弯半径rT等。
总结综上研究人员提供了一种全新的思路来解决水下机器人控制难题。
传统方法很难实时模拟水下复杂多变的流体环境而数据驱动模型让机器人能够从实验中“学习”水的特性犹如赋予机器人一双感知水流的“眼睛”和“肌肉记忆”。
这种让机器人“学会游泳”的探索具有重要意义它不仅显著提升了特定机器人的游动性能也为未来水下仿生机器人的设计与控制提供了新范式。
利用该方法研究者成功地让一台原本在水中步 履维艰的四足机器人实现了平稳游动和高效转弯这在水下机器人领域属于前沿突破。
未来展望通往更智能水下机器人的道路尽管取得了令人瞩目的进展这项研究仍只是水下机器人智能化的起点。
未来研究者设想可以将物理先验融 入数据驱动模型例如结合物理信息神经网络PINN在模型训练中加入对流体动力学方程的约束以提升 模型的物理通用性和对未知工况的适应能力。
此外FED-LSTM模型也有望嵌入强化学习框架中用于训练机器 人在更加复杂的水下任务中自行摸索最优策略比如实现自主导航、避障或者在湍流环境中的稳定控制。
这 些展望有望进一步拉近水下仿生机器人与生物“游泳健将”之间的差距。
可以预见随着数据驱动模型和智能优化算法的引入未来的水下机器人将不再只依赖工程师预设的规则而是能够自主地学习和适应水中的瞬息 变化真正掌握灵活游泳的本领在广袤水域中大显身手。
公众号原文链接文末附论文资源https://mp.weixin.qq.com/s/ViVCnjA0u_ZPsFNiUIaMkw注文章由作者原创供稿并获得作者授权发布。