精读笔记

Problem Setting

论文标题：Soft Robotic Fish Actuated by Bionic Muscle With Embedded Sensing for Self-Adaptive Multiple Modes Swimming（IEEE Transactions on Robotics / 2025）。

这篇论文面对的不是“如何做一条软体鱼”，而是软体仿生鱼长期存在的一个结构性问题：大多数智能材料驱动鱼只有一种由结构和驱动方式固化下来的游动模态，遇到不同流体条件时只能改变频率或幅值，不能真正改变身体波形。自然鱼的适应性恰恰来自可重构的体波和感知反馈，因此单模态软体鱼在复杂水下环境中天然受限。

真正困难点有三层：第一，软体材料驱动器通常输出力有限，很难在小体积内同时提供多段可控弯曲；第二，水下柔性感知很难与高压智能材料驱动共存，异质传感器又容易带来界面失效和力学不匹配；第三，即使能感知，如何把感知映射到游动模式选择，也需要一个足够稳定的体波模式库。本文试图把这三者合在同一个本体里，而不是分别优化推进器、传感器和控制器。

Motivation

已有路线的不足不在于缺少仿生外形，而在于缺少“可调体波生成机制”。很多软体鱼只在形态上像鱼，推进模式却由单个尾鳍或单一柔性梁决定；也有多执行器刚性鱼可以做复杂运动，但噪声、结构复杂度和柔顺性不符合软体仿生的目标。

作者的核心观察是：鱼类多模态游动本质上是多段肌肉激活幅值与相位的空间-时间组织问题；环境适应则依赖侧线/本体反馈对流体负载变化的感知。因此缺的不是更复杂的尾鳍，而是一个能同时产生“多段肌肉协同”和“嵌入式反馈”的软体平台。

这也是本文选择柱状多层 DEA 的原因：它既能作为肌肉式弯曲驱动，又能利用同类柔性材料形成应变传感层，从材料和结构层面降低 actuation 与 sensing 集成的冲突。

Core Idea

核心思想是把软体鱼的推进模式从结构预设变为驱动参数可编程。四个沿体长分布的驱动单元相当于低维“肌肉基函数”：幅值比改变曲率峰值位置，相位关系改变体波传播形态。这样，同一个机器人不需要换结构，就能在 C-type 1/2/3 和 S-type 之间切换。它引入的 inductive bias 很明确：BCF 游动可以由少量沿体长分布的可控弯曲段近似表达。

和 prior 的本质区别在于，过去很多软体鱼是“材料驱动 + 被动结构响应”，本文更接近“分布式驱动 + 体波参数化控制”。虽然自由度仍然很低，但已经从单尾摆推进转向可调身体波形推进。感知部分同样不是外部测量，而是利用执行器变形在不同流体负载下的差异，把环境识别问题转化为本体形变幅值识别问题。

理论上这可能有效，是因为不同 Reynolds/黏度环境下最优推进形态并不相同：低黏度/较高 Re 下尾部大幅摆动和较长波长更有速度优势，高黏度/低 Re 下全身参与的短波长 undulation 更能克服阻尼。多段驱动正好提供了在这些波形之间切换的最小自由度。

Method

1. 多段柱状 DEA：解决的是传统片状 DEA 输出力和集成度不足的问题。通过将预拉伸介电膜多层缠绕在压缩弹簧上，得到可双向弯曲的柱状单元；弹簧提供类似脊柱的支撑和预张紧保持，膜层提供肌肉式变形。核心变化是把驱动器从单个柔性片变成沿体长可串联、可独立控制的弯曲段。

2. 幅值-相位体波编码：解决的是单一本体如何生成多种游动模式。前后单元同相但幅值比例不同，产生不同 C-type 模式；相位错开则产生 S-type。这里的关键不是具体电压，而是把游动模式抽象为少量驱动单元的时空激活模式。

3. 同材料嵌入式传感：解决的是软体驱动与水下传感集成不稳定的问题。传感层使用与驱动层相近的介电膜和碳黑电极，中间加绝缘层，靠应变导致电阻变化读出形变。它避免了异质材料粘接带来的应力集中和界面失效，但感知对象仍主要是执行器形变。

4. 规则式自适应切换：解决的是如何闭合感知-控制回路。机器人先用某个模式游动并读取传感电压变化，根据离线标定判断当前环境更接近水还是高黏度介质，再切到预设速度更优的模式。这个控制机制很简单，但足以证明平台具备闭环切换能力。

Key Insight / Why It Works

最核心的贡献是“低维可编程体波”而不是单个执行器性能。多段驱动让机器人能够改变身体参与摆动的长度、尾部摆幅、曲率峰值位置和等效波长，这些正是 BCF 游动模式之间的主要差异。只要这些 kinematic variables 可控，即使没有高保真流体模型，也能在不同环境中找到表现不同的模式。

为什么有效：第一，分布式驱动改变了推进力产生的位置分布。C-type 2 让更多身体和尾部大幅运动，低黏度水中获得更大推力；S-type 让全身参与波动，在高黏度介质中通过更大体曲率和更短波长获得相对优势。第二，嵌入式传感并不需要直接测流场，只要环境负载会改变执行器实际形变，它就能作为环境 proxy。这个 proxy 在水槽中足够稳定，因此规则切换有效。

最可能是核心贡献的部分：多段 DEA + 同材料传感的一体化结构，以及用幅值/相位生成多模态体波的设计。最可能只是辅助的部分：EBT 模型主要用于解释和趋势一致性验证，不是控制策略的真正基础；“自适应”更多是标定阈值下的模式选择，而非通用自主决策。

增益归因并不完全干净。不同模式之间不仅波形不同，实际输入能量、有效摆幅、流固耦合和尾鳍受阻情况也不同；C-type 2 速度最快可能部分来自所有驱动单元都高激活，而不只是 carangiform-like kinematics 更优。文中对功率归一化后的模式比较不足，因此“某模式本质更优”的结论需要谨慎。

这不是 scaling、retrieval 或 data coverage 问题，而是典型的 better embodiment inductive bias：通过结构和驱动自由度把鱼类多肌肉协同先验写进机器人身体。控制算法很弱，但身体可编程性增强后，简单规则也能产生看似自适应的行为。

Relation To Prior Work

它最接近三条已有路线：智能材料驱动软体鱼、DEA 柔性执行器、仿鱼 BCF 运动学建模。相对以往单 DEA 尾摆或单一柔性梁软体鱼，本文实质差异是多段驱动带来的模态可重构性；相对刚性多关节机器鱼，本文差异是用连续柔性体和智能材料实现低噪声、高柔顺的分布式弯曲，而不是电机-连杆的离散关节控制。

看似新的部分里，仿生游动模式、EBT 速度估计、幅相控制本身都不是新思想；真正新增的信息是把这些思想落到一个可工作的软体 DEA 本体上，并且把传感层嵌入同一材料体系，形成最小闭环。

它属于“embodied intelligence / morphologically programmed soft robot”谱系：不是靠复杂规划器产生智能，而是靠身体结构和驱动分布让可行行为空间天然接近目标行为。论文的创新更偏机器人本体与材料系统集成，而不是控制理论突破。

Dataset / Evaluation

评估主要是真机水槽实验，覆盖执行器表征、多模态游动、不同黏度环境、传感信号区分和简单闭环切换。优点是 claim 基本都在物理系统上验证，不是仿真或离线 benchmark；也确实展示了同一本体跨模式和跨流体黏度的行为差异。

但 evaluation 的环境覆盖仍然窄：主要是静态水/甘油混合液/油类环境，不能代表真实水下的湍流、非均匀流、边界效应、障碍物和长时间运行。所谓“自适应”验证是二分类环境识别 + 预设模式切换，尚未证明能在连续变化环境中在线优化，也没有证明在未知环境中泛化。

实验能支持“多模态软体鱼平台”和“基于本体形变的粗粒度环境感知”，但不足以完全支持“复杂流体环境中的自主最优推进”。效率数据也暴露出一个问题：速度表现可比，但电功率效率很低，工程部署距离实际水下机器人仍远。

Limitation

1. 感知能力的上限较低。传感器测的是驱动器应变，不是压力梯度、流速或涡结构。把它称为 lateral-line-inspired 可以接受，但不能等同于侧线式流场感知。环境判断成立依赖“不同流体负载会显著改变形变幅值”这一前提；一旦流速扰动、姿态变化、材料滞后或温度漂移也改变形变，信号解释会混淆。

2. 自适应依赖离线标定。控制器不是在线搜索最优模式，也没有显式估计流体参数；它只是根据传感电压落在哪个范围选择预设模式。泛化到多级黏度、混合扰动或任务约束文中未充分说明。

3. 模式比较未充分功率归一化。C-type 2 的速度优势可能部分来自更多驱动单元高激活和更大能量输入，而不完全是运动学模式优势。增益来源不清，需要在相同输入功率、相同尾尖幅值或相同 Strouhal 区间下更干净地比较。

4. DEA 系统部署代价高。6 kV 级高压、有线供电、低电功率效率和材料黏弹性带宽限制，使其更像实验平台而不是可直接部署的自主水下机器人。高频下输出衰减说明材料-结构动力学已经成为瓶颈。

5. 自由度仍然粗糙。四个驱动单元只能近似几类体波，不能真实复现自然鱼多肌肉连续激活。作者也承认 S-type 和 C-type 1 的归一化波长与自然模式有偏差，这说明当前系统更像“游动模态原型机”，不是高保真生物运动复制。

Takeaway

• 1. 软体仿生鱼下一步真正重要的不是再做一个更像鱼的外形，而是让身体波形可编程；多段柔性驱动是从单模态推进走向环境适应的关键。
• 2. 本体感知可以先从“形变-负载 proxy”做起，不必一开始就追求完整流场重建。
• 对很多软体机器人，环境可识别性可能来自执行器在负载下的响应变化，而不是外部传感器。
• 3. 这篇的控制算法并不强，但说明了 embodiment 设计可以显著降低控制复杂度：只要身体提供合适的行为基，规则式切换也能产生有用适应性。

一句话总结

这篇论文在软体仿生鱼方向上的位置，是把智能材料软体鱼从单一尾摆推进推进到“多段肌肉式驱动 + 本体形变感知 + 规则式模态切换”的可编程体波平台，核心贡献是 embodiment 层面的多模态与最小闭环集成，而不是控制算法本身。