精读笔记

Problem Setting

这篇论文真正面对的是软体水下蛇的“可持续可控游动”问题，而不是单次形变或短距离演示。软体蛇的关键矛盾是：它的优势来自柔顺连续体结构，但推进所需的蛇形波又要求高度重复、相位明确、左右平衡的身体形状。柔顺性带来的材料不均、液压滞后、腔体压力不平衡和水动力扰动，会直接破坏这种重复性。

刚体水下蛇通过伺服关节和刚性结构天然拥有局部角度闭环，因此 locomotion consistency 不是核心瓶颈；软体蛇过去主要靠开环气动/液压/介电驱动，能展示蛇形运动，但很难保证长时间每个周期都生成同一身体波。本文的实际任务是把软体蛇的步态从“形态驱动的开环现象”变成“可感知、可迭代修正的周期控制对象”。

Motivation

已有软体水下蛇路线不够的地方不是仿生程度，而是缺少身体状态的内部观测和误差闭环。外部相机可以在实验室中测形状，但无法支撑自然水域和长航程任务；开环泵控在软体系统里又会因为左右腔体、不同段、水路和泵方向差异而逐步失衡。

作者的核心观察是：对于蛇形游动，最关键的不是精确跟踪每个瞬时角度，而是保持周期波形的幅值和左右半波平衡。只要每个周期后能知道实际弯了多少，并把幅值误差反馈到下一周期，很多难以建模的软体非线性都可以被“周期学习”吸收。缺口因此很明确：untethered soft snake 需要自感知和在线 gait regulation，而不是更复杂的离线标定或外部视觉闭环。

Core Idea

核心思想是把软体蛇游动建模为一个低维周期学习问题。论文用 PCC 假设把连续软体身体压缩成若干段弯曲角，用 serpenoid gait 给出期望周期波；再用内部弯曲传感器测实际角度，并在周期级别拟合半波幅值。控制器不追求实时高带宽角度跟踪，而是每周期更新下一周期泵信号的幅值缩放。

这个思路成立的直觉是：液压软体系统的瞬态动态很难建模且带宽低，但蛇形推进的任务结构强周期、强重复，误差中有大量可跨周期学习的成分。与 prior 的本质区别不是“用了 ILC”本身，而是把 soft snake 的控制闭环放在 body-shape amplitude 上，并让机器人在无外部感知条件下自我校正。它改变了信息流：从 pump command-centric 转为 body-shape-centric。

Method

1. Serpenoid gait 的低维化：论文用四个 body segment 的弯曲角构造一整周期蛇形波，段间相位差固定为 π/2。它解决的是软体连续体没有自然关节变量的问题。这里的 PCC 和 serpenoid 不是精确动力学模型，而是给控制提供一个可操作的形状坐标系。

2. 左右半波分离建模：作者把每个受控段的上、下半波幅值分别作为参考和学习目标。这是必要的，因为软体腔体、泵正反转、水路阻尼通常不对称。这个设计比单一正弦幅值更实用，能直接吸收左右弯曲能力不一致。

3. 在线 PD-ILC：每个周期后，从传感器角度序列拟合实际半波幅值，与参考幅值比较，用 PD 型规则更新下一周期控制信号幅值。它本质上是 test-time adaptation / memory reuse：用最近周期的身体响应作为下一周期控制的校正记忆。

4. 转向分成两类：neck steering 用独立液压回路和 PID 控制，解决快速改变头部方向的问题；unbalanced gait 通过左右半波幅值差制造侧向力不平衡，解决大半径生物式转向。前者是更强的工程手段，后者更接近 gait-level locomotion control。

Key Insight / Why It Works

最核心的贡献是把软体水下蛇最难的连续体水动力控制问题，降维为周期步态幅值一致性控制。它有效不是因为模型更精确，而是因为选择了正确的受控量：对于直线蛇形推进，幅值失衡比瞬时相位小误差更致命；对于软体液压系统，幅值偏差又比完整动力学更容易从传感器中稳定估计。

ILC 在这里的价值是利用任务的重复结构。软体材料非线性、水路滞后、泵不对称很难在线辨识，但在相同 gait 参数下，它们在相邻周期内具有相当程度的可重复性。控制器把这些误差当作可迭代补偿的“周期残差”，而不是试图建模。这个判断是对的，也解释了为什么开环会快速漂移，而 ILC 能维持长时间游动。

最可能是真正核心贡献的部分：self-shape sensing + 周期级幅值 ILC 的组合。单独传感器只是测量，单独 ILC 没有可靠内部形状反馈也无法在自然水域工作；两者合起来才形成 soft snake 的自主闭环。

可能只是辅助或 engineering 的部分：仿生网格腔体、头部集成、平尾、Bluetooth/STM32/泵布局等大多是系统实现必需，但不是概念上最深的贡献。速度提升也有明显 actuator/pump scaling 成分；最高速度来自更大幅值和更短周期，受泵能力限制明显。近似恒定 Strouhal number 是有价值的经验规律，但目前更像实验观察而非理论解释充分的结果。

需要注意：这不是一个强泛化控制器，也不是完整水动力学习。它更像在一个设计良好的周期任务上做 online calibration。所谓鲁棒性主要来自重复运动下的误差再利用，而不是对任意流场或接触环境的通用适应。

Relation To Prior Work

它最接近三条路线：刚体水下蛇的 serpenoid gait control、软体连续体机器人的 PCC 形状控制、周期系统的 iterative learning control。论文的新意不是这些概念单独出现，而是把它们组合到 untethered underwater soft snake 上，并用内部形状感知闭合 gait loop。

相对刚体蛇，本文不是在 gait family 上有根本创新；serpenoid、head steering、unbalanced gait 都已有清晰先例。真正不同是执行体从刚性关节变成液压软体腔体后，控制问题从关节跟踪变成形状一致性维持。

相对已有软体水下蛇，实质差异是从 open-loop demonstration 到 sensorized online control。之前的软体蛇更多证明结构和驱动可行，但没有解决长时间周期误差积累。本文把内感知作为系统能力的一部分，这一点是实质推进。

相对一般软体机器人控制，本文没有引入特别复杂的学习算法；ILC 是经典方法。但它对任务结构的利用很干净：低带宽液压系统不适合高频反馈，于是转向周期级学习。这是已有控制思想在合适机器人形态上的有效落地。

Dataset / Evaluation

评估覆盖了人工水池和自然湖泊，包含直线速度、步态误差、轨迹一致性、转向半径/角速度等，能够支撑论文的主 claim：该系统能在无外部视觉的情况下维持稳定长时间游动。尤其是开环对照非常关键，直接证明问题不是凭空设定，而是软体蛇实际会发生的失稳模式。

但 evaluation 的边界也清楚。实验主要是在平静浅水、2D 平面游动、相对可控的水动力条件下完成；自然湖泊展示更像系统可靠性验证，不是系统性扰动鲁棒性 benchmark。没有复杂流场、近壁/狭窄通道接触、障碍交互、负载变化或长期材料疲劳下的性能评估。因此它验证的是“稳定周期游动”和“基础转向”，还没有验证面向真实任务的环境交互能力。

Strouhal number 的分析有启发性，说明 gait 参数和速度之间存在接近生物游动的标度关系；但文中没有进一步证明效率最优性，也没有能耗/推进效率的完整测量。因此不能把它解读为已经达到生物级效率，只能说 kinematic regime 落在合理范围。

Limitation

第一，方法依赖周期性。ILC 的前提是相邻周期误差可重复，如果进入强扰动流场、频繁接触障碍或快速改变 gait，周期残差可能不再稳定，控制效果会下降。

第二，控制只学习幅值，基本忽略相位和完整形状误差。文中假设各水路延迟近似一致，并可预先补偿；这在四段结构中成立得比较勉强，但扩展到更多段、更长水路、更高频率时会成为硬上限。

第三，感知覆盖不完整。后两段没有独立传感器，而是依赖共享水路与前段状态代表。这降低系统复杂度，但也把未观测段的误差隐藏起来。若后段材料老化、局部损伤或水动力负载不同，控制器可能无法发现。

第四，速度瓶颈不是算法能单独解决的。当前最大速度显著低于刚体蛇，主要受泵流量、水路长度、集中驱动和软体结构变形能力限制。后续提升很可能来自 actuator scaling、模块化液压和流体结构优化，而不是继续调 ILC。

第五，增益来源不清。论文展示了固定 PD-ILC 参数下的收敛，但没有系统给出稳定性条件、参数整定规则或失稳边界。对于更高频 gait、更大幅值、不同水深/流速，是否仍能稳定收敛文中未充分说明。

Takeaway

• 1. 软体水下蛇的关键瓶颈不是能否产生蛇形波，而是能否在真实环境中持续重复地产生同一蛇形波；self-shape sensing 是从 demo 到 robot 的分水岭。
• 2. 对低带宽软体液压系统，不要强行做瞬时高频反馈；利用 locomotion 的周期结构做 cycle-level adaptation 往往更合理。
• 3. 幅值/半波分解是一个值得迁移的控制抽象：它把材料不对称、执行器方向差异和环境扰动都投影到少数可学习参数上，适合其他周期软体推进器。
• 4. 下一步真正值得做的不是再证明能游，而是分布式/模块化驱动、全身形状感知、相位-幅值联合学习，以及在近壁、接触和流场中的闭环导航。

一句话总结

这篇论文把水下软体蛇从开环仿生游动演示推进到具备内感知和周期级在线步态校正的自主系统，真正贡献在于用 self-shape sensing + ILC 解决软体身体长期 locomotion consistency，而非提出新的蛇形 gait。