IEEE Transactions on Robotics

Design, Modeling, and Optimization of Hydraulically Powered Double-Joint Soft Robotic Fish

作者：Sijia Liu, Chunbao Liu, Guowu Wei, Luquan Ren, Lei Ren · 机构：School of Mechanical and Aerospace Engineering, Jilin University, Changchun, China; Key Laboratory of CNC Equipment Reliability Ministry of Education, Jilin University, Changchun, China; School of Science, Engineering, and Environment, University of Salford, Salford, U.K.; Key Laboratory of Bionic Engineering, Ministry of Education, Jilin University, Changchun, China; Weihai Institute for Bionics, Jilin University, Weihai, China; School of Mechanical, Aerospace and Civil Engineering, University of Manchester, Manchester, U.K.

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：1211-1223

控制优化多机器人操作传感器

精读笔记

Problem Setting

论文标题：Design, Modeling, and Optimization of Hydraulically Powered Double-Joint Soft Robotic Fish（IEEE Transactions on Robotics / 2025）。

这篇论文真正解决的不是“做一条软体机器鱼”，而是液压软体鱼长期存在的一个系统级矛盾：液压执行器在水下有高力密度、响应快、适合大变形，但一旦做成自由游动平台，就会遇到驱动系统笨重、频率低、软体尾部不可观测、控制参数难优化的问题。软体结构带来的连续形变优势，反过来破坏了传统刚体鱼那套清晰的关节状态、动力学建模和控制调参流程。

以前方法通常卡在两端：要么是刚性多关节鱼，可控、可建模，但噪声大、柔顺性差；要么是软体液压/气动鱼，安全安静但多为开环摆尾，频率和能效受限，调参靠实验扫描。HyperTuna 试图把软体鱼重新组织成一个“可感知、可参数化、可仿真优化”的平台。关键矛盾是：既要保留软体尾部的连续柔顺推进，又要给控制和优化足够低维、稳定的状态变量。

Motivation

作者的动机来自两个缺口。第一，液压软体鱼的驱动端还不够像一个高频、可编程、多自由度推进系统。已有液压鱼常依赖泵/阀或较低频驱动，难以同时做到小型化、高频率和多关节独立控制。第二，软体尾部缺少可靠形变反馈，导致 CPG 类控制器往往只是开环信号发生器，无法保证真实关节幅值，也就很难做系统性的性能优化。

作者的核心观察是：如果把液压驱动拆成多个独立闭合油路，并把弯曲传感器嵌入软体关节中，就可以把软体尾部从“连续、不可观测的弹性体”转化为“两个可测可控的主导弯曲角”。这给后续动力学建模和参数搜索提供了接口。换句话说，论文的出发点不是发明更复杂的控制器，而是先把硬件和感知做成一个可被模型利用的对象。

Core Idea

核心思想是用硬件结构和模型抽象共同降低软体鱼的控制复杂度：硬件上用四缸活塞泵分别驱动双关节两侧 McKibben 单元，使两个软体关节成为相对独立的可控推进变量；模型上用 PRB 多伪连杆把连续软体关节折叠成有限个虚拟刚性连杆，再用数据识别水动力参数。这样，软体鱼不再被当作难以解析的连续流固耦合系统，而被当作一个带软执行器约束的低维多体系统。

这个 inductive bias 很明确：真实尾部形变虽然连续复杂，但对直游稳态推进而言，主要性能可能由两个关节的幅值、频率和相位差决定。因此，与其追求高保真 CFD/FEM 联合仿真，不如构建一个低维、可识别、可用于控制参数搜索的 surrogate dynamics。它和 prior 的本质区别在于：不是单纯提升执行器或单纯做 CPG，而是把“自感知软执行器—低维动力学模型—仿真内优化”闭合起来。

Method

1. 多缸液压驱动解决的是频率和解耦问题。四个活塞缸分别对应双关节左右侧驱动单元，形成独立闭合油路。这样避免了单泵/阀系统中常见的负压、响应慢和耦合强问题，也给相位差和幅值控制提供了硬件自由度。核心变化是把液压软体尾从单一周期变形器变成双关节可编程推进器。

2. 弯曲传感 + PID–CPG 解决的是软体执行器实际幅值不可控的问题。CPG 负责生成平滑周期命令，PID 不是连续高带宽控制每一时刻形变，而是在每个摆动周期末根据最大弯曲角误差修正下一周期幅值。这是一个务实设计：承认软体液压系统难以做瞬时精确跟踪，但可以在周期尺度上闭环校正幅值。

3. 执行器形变模型和 FEM 主要用于设计验证，而不是控制核心。解析模型基于 McKibben 收缩、硅胶弹性和简化梁弯曲，能解释压力—弯角趋势；FEM 给出更准确的静态形变预测。它们的价值在于证明结构设计可行，但对最终游动优化的贡献有限。

4. PRB + Lagrange 多体模型解决的是软体鱼不可直接优化的问题。作者将两个软关节分别等效为多个虚拟转动关节，关节角按总弯角均分。这显然是强简化，但换来了可计算的质心运动、速度、加速度和水动力作用点。

5. 数据驱动识别水动力参数解决的是流体模型不可解析的问题。作者没有试图精确建模复杂尾流，而是用实验数据拟合附加质量、摩擦和阻力系数。这个步骤是整个优化链条能跑起来的关键，因为没有它，仿真器很难在速度和 COT 趋势上与真机一致。

6. PSO 优化本质上是低维黑箱搜索。搜索变量是双关节幅值、频率和相位差，目标是在接近期望速度的同时降低仿真 COT。PSO 没有方法论新意，它只是利用前面构建的 surrogate model 减少真机试错。

Key Insight / Why It Works

最关键的有效性来源不是某个单独模块，而是问题降维做得合适。对于稳态直游，尾部推进性能确实强烈依赖少数周期参数：频率、幅值、前后关节相位差。作者用双关节结构显式暴露这些变量，并用闭环传感保证这些变量在真实硬件上大致可实现。只要这个低维参数化覆盖了主要推进模式，PSO 这种简单搜索就能找到比人工网格更好的组合。

第二个关键点是模型不追求高保真，而追求“排序正确”。仿真 COT 与实验 COT 不在同一绝对量级，作者也承认并做归一化比较。也就是说，该模型真正服务的是控制参数之间的相对比较，而不是精确预测能耗。这个定位是合理的：在软体水下机器人中，能用于优化的中等保真模型往往比不可用的高保真模型更有价值。

最可能的核心贡献是硬件—感知—模型接口的打通：四缸液压提供可编程双关节，自感知提供真实关节角，PRB 模型提供优化坐标，数据识别补上水动力。相比之下，FEM、Hopf CPG、PSO 都更像辅助组件或已有技术重组。论文的性能增益不是来自新的优化算法，而是来自把原本不可控、不可观测的软体系统整理成了可搜索的低维系统。

需要直接指出：优化带来的最大速度提升很小，COT 改善更显著但仍属于同平台同工况下的局部调参收益。这里没有显示出强泛化控制能力，也没有形成复杂机动规划。所谓模型泛化主要是训练/验证划分下的工况内泛化，更像 interpolation，不应解读为跨平台或跨环境动力学建模突破。

Relation To Prior Work

这篇工作处在三条谱系的交叉处：液压软体鱼、CPG 多关节仿生控制、基于低维动力学模型的参数优化。与 SoFi 等液压软体鱼相比，HyperTuna 的实质差异在于双关节独立驱动和更高频的活塞泵结构，以及加入关节弯曲自感知后形成周期级闭环控制。与传统刚性多关节鱼相比，它借用了多关节相位差优化的思想，但执行器和形变本体是软体液压结构。

看似新的部分中，CPG、PID、PSO、Lagrange 多体建模都不是新思想；PRB 近似软体关节也已有成熟先例。真正新增的信息是这些方法在一个液压双关节软体鱼平台上的组合方式，尤其是将软体关节角度变成可测控制变量后，再做数据识别和仿真优化。换句话说，创新偏系统集成和平台化，而不是控制理论或建模理论创新。

相对已有开环软体鱼，这篇工作的本质进步是把控制参数和真实形变之间的断裂补上了；相对已有刚体鱼建模优化，它的挑战和贡献在于让软体液压尾部也进入类似的可优化框架。

Dataset / Evaluation

评估覆盖面比较完整：从执行器静态形变到水池自由游动，再到模型验证、优化前后对比和开放水域巡航。真机实验是论文可信度的重要来源，尤其是开放水域 30 分钟级别测试，说明系统不是纯水槽演示。

但 evaluation 对核心 claim 的支撑需要分层看。对“HyperTuna 是一个可游、较快、可机动的液压软体鱼”支撑较强；对“所建动力学模型具备泛化能力”支撑中等，因为验证集仍来自同一机器人、相似水槽环境和有限参数范围；对“PSO 优化显著提升性能”支撑有限，因为提升幅度不大，且未与更简单的网格搜索、贝叶斯优化或人工经验调参做强对照。

COT 计算只计入伺服功率，忽略电子系统小功耗是可以接受的，但液压系统内部损耗、执行器滞后、材料耗散最终都折算到电流中；仿真 COT 与实验 COT 只能比较趋势，不能直接说明模型捕获了真实能量路径。开放水域轨迹使用手机 GPS 近似记录，更多是应用展示，不是严格性能评估。

Limitation

最大的隐含前提是运动模式很窄：周期直游、近水平面、固定尾鳍、固定结构参数。模型将软体关节弯曲均分到三个虚拟转动关节，并假设多段水动力参数可合并，这对稳态直游可能够用，但对大幅转弯、快速加减速、强三维姿态变化和复杂尾流交互会很脆弱。

第二个限制是数据依赖和归因不清。水动力参数通过实验数据识别得到，因此模型准确性部分来自同分布数据覆盖，而不是强物理可迁移性。优化增益到底来自模型捕获了真实物理规律，还是来自在相近参数范围内拟合了速度/COT 趋势，文中未充分说明。

第三个限制是能效上限。四缸全驱动提高了可控性和频率，但也带来传动损耗、液压摩擦和多执行器能耗。作者在结论中也承认未来可能转向欠驱动，例如将第二关节改成可调刚度被动关节。这说明当前方案的高性能部分是用硬件复杂度和能耗换来的，不一定是最终高效形态。

第四，闭环控制是周期幅值校正，不是高带宽连续形变控制。它能保证最大弯曲角逐步收敛，但对瞬态波形、相位滞后、非周期机动的控制能力没有充分展示。若传感器漂移、材料老化或油路状态变化，闭环和模型参数都可能失配。

最后，PSO 本身不具备可扩展性优势。当前搜索空间只有四维；如果扩展到更多关节、可变刚度、可变尾鳍、三维轨迹控制，黑箱搜索会迅速变得低效。该论文把问题从真实机器人试错转移到了仿真器可信度和低维参数化是否充分的问题上。

Takeaway

  • 1. 对液压软体鱼而言，真正有价值的方向不是单纯追求更软或更像鱼，而是让软体推进器变成可测、可控、可建模的低维系统。
  • HyperTuna 的贡献正是在这个接口层。
  • 2. 中等保真 surrogate model 在软体水下机器人里非常实用。
  • 只要能正确预测参数趋势，就足以支持局部优化；不必执着于完整流固耦合高保真仿真。

一句话总结

这篇论文把液压软体鱼从开环形变演示推进到“自感知双关节平台 + 低维动力学识别 + 仿真内参数优化”的系统化阶段，实质贡献偏平台架构和可优化建模，而非新的控制算法。