IEEE Transactions on Robotics

Identification Modeling and Trajectory Tracking of Robotic Fish With Synergistic Fins-Body

作者：Zhiping Wang, Zonggang Li, Bin Li, Guangqing Xia, Huifeng Kang · 机构：School of Mechatronic Engineering, Robotics Institute, Lanzhou Jiaotong University, Lanzhou, China; College of Mechatronic Engineering, Robotics Institute, Lanzhou Jiaotong University, Lanzhou, China; State Key Laboratory of Structural Analysis, Optimization, CAE Software for Industrial Equipment, Dalian University of Technology, Dalian, China; Hebei Key Laboratory of Trans-Media Aerial Underwater Vehicle, North China Institute of Aerospace Engineering, Hebei, China

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：6140-6154

路径规划运动规划控制传感器

精读笔记

Problem Setting

论文标题：Identification Modeling and Trajectory Tracking of Robotic Fish With Synergistic Fins-Body（IEEE Transactions on Robotics / 2025）。

这篇论文真正面对的问题是：BCF/MPF 混合推进机器鱼在多自由度胸鳍与柔性身体协同运动时，如何建立一个足够可用的动力学预测模型，并把它嵌入三维轨迹跟踪控制。这里的难点不是“机器鱼会游”或“路径跟踪”本身，而是控制输入不是传统推进器推力，而是一组周期性 gait 参数；输出也不是简单速度，而是随流体记忆、身体姿态、鳍体相位关系变化的六维力/力矩。

以前方法卡在两个地方：解析水动力模型对多 DOF 胸鳍和柔性体耦合过于困难，通常只能覆盖简化结构或特定运动模式；纯数据驱动方法又容易变成静态查表/离线拟合，一旦进入真实水流扰动，模型很快失配。这个任务的关键矛盾是：控制器需要实时、可优化、可预测的动力学模型，但真实 fin-body 水动力又高维、非定常、强耦合、难以解析。

Motivation

作者的核心观察是：对这种机器人，直接追求完整 first-principles 水动力建模并不划算；但完全在线学习也不现实，因为真实实验数据昂贵、在线更新计算负担高、探索风险大。因此更合理的路线是用 CFD 提供离线先验，用真实六维力传感器和运动数据做在线修正，再让预测控制器在这个可学习 surrogate 上工作。

关键缺口在于现有 BCF/MPF 机器鱼研究多停留在运动模式、转向、俯仰等低级行为，缺少将多自由度鳍体协同、数据驱动水动力识别和 3D path-following 控制统一起来的闭环系统。作者并不是提出一种全新的控制理论，而是补上“复杂仿生推进结构如何变成可控三维机器人”的工程-建模接口。

Core Idea

核心思想是把复杂的鳍体协同推进问题重参数化：不再把每个电机/关节的瞬时输入作为控制对象，而是用 CPG 生成连续周期 gait，并把控制空间压缩到胸鳍旋转偏置、胸鳍频率、身体偏置、身体频率等少数参数。这样水动力识别问题从高维电机时序映射变成低维 gait 参数加速度状态到力/力矩的时序映射。

这带来的本质变化是：模型学习的不再是任意动作空间下的流体响应，而是一个带有生物启发 gait 先验的受限动力学 manifold。BiLSTM 的作用是在这个 manifold 上捕捉周期推进和流体滞后造成的短时历史依赖；在线更新则把真实水流扰动、装配误差和 CFD-real gap 注入当前模型。相比 prior 的单纯 CFD 拟合或经验控制，它重新组织了信息流：形态/CPG 给结构先验，CFD 给离线覆盖，传感器给 real-world correction，ENMPC 给闭环优化。

Method

1. CPG gait parameterization：它解决的是多 DOF 鳍体协同控制维度过高、控制信号不连续的问题。CPG 的核心价值不是生物仿真，而是把多个关节锁定到可调相位、频率和偏置结构中，使控制器面对的是少数 gait-level 参数而不是大量低级电机输入。这一步决定了后续学习问题是否可采样、可拟合、可优化。

2. Offline hydrodynamic identification：它解决的是缺少可用于 NMPC 的动力学模型问题。作者用 CFD 和六维力传感器构造控制参数/速度到六维力/力矩的映射。BiLSTM 的必要性来自周期推进存在 temporal memory：当前力不只由当前参数决定，也与过去几个周期的运动状态有关。

3. Online update：它解决的是 CFD 静态数据和真实水流动态扰动之间的 domain gap。这里不是重新学习完整模型，而是用滑动窗口逐步用真实数据替换历史信息，使预测模型向当前工作条件偏移。核心变化是把水流扰动从显式建模问题转化为在线残差适配问题。

4. ENMPC：它解决的是在模型存在不确定性时如何闭环修正轨迹，同时避免每个控制周期都做昂贵优化。事件触发机制用 tracking error 控制优化频率，本质上是在用性能损失换实时计算预算。它不是新的 MPC 原理，而是适配低算力水下机器人部署的 compute gating。

Key Insight / Why It Works

这篇论文有效的主要原因不是 BiLSTM 本身“更强”，而是它把问题限制在一个相对低维、结构化、可采样的 gait 参数空间内。CPG 降维后，水动力 surrogate 不需要学习所有可能的电机动作，只需要学习少数协同模式下的力/力矩响应；这显著降低了样本复杂度，也让 CFD 数据能发挥作用。

最可能的核心贡献是 offline CFD prior + online real-data adaptation 的组合。CFD 数据提供了参数空间的初始覆盖，使模型不必从真实机器上从零探索；在线数据则修正真实水池、水流、装配和传感器偏差。换句话说，性能提升更像是 data coverage + test-time adaptation，而不是单纯网络结构带来的泛化。

BiLSTM 的贡献需要谨慎看待。它适合捕捉周期推进的短时历史依赖，但文中对为什么必须 bidirectional 没有给出非常强的物理解释；在在线控制中“future context”本身也容易引发实现语义问题。其相对 LSTM/GRU 的提升可能部分来自更大模型容量和更好的时序平滑，而不一定是本质性 inductive bias。增益来源不清。

ENMPC 的作用更像工程上必要的闭环 wrapper：learned model 给出可优化预测，MPC 把预测误差转为控制补偿，事件触发降低计算成本。事件触发并没有解决控制理论上的稳定性难题，只是在小水池实验中展示了 accuracy-compute tradeoff。若扰动更强或模型漂移更快，触发策略是否仍安全，文中未充分说明。

总体判断：这篇工作的“智能”不在于某个学习模块，而在于把复杂仿生推进系统拆成结构化 gait manifold、数据驱动局部动力学、在线残差修正和预测控制四层。它本质上是 representation alignment + data coverage + closed-loop correction，而不是通用流体动力学推理。

Relation To Prior Work

最接近的路线有三类：一是传统机器鱼的 CPG/参数化 gait 控制；二是 CFD 或实验数据驱动的水动力建模；三是水下机器人 NMPC/路径跟踪控制。本文的新意不在任何单点模块，而在把这三条路线连成一个针对多 DOF fin-body 机器鱼的完整闭环。

和传统 CPG 机器鱼相比，它不满足于生成可游动 gait，而是把 gait 参数作为动力学识别和轨迹控制接口。和纯 CFD 数据驱动模型相比，它承认离线模型在真实水流中不够，因此加入在线更新。和普通 AUV 的 NMPC 相比，它的控制输入不是推进器推力，而是要经过 learned gait-to-force 模型反推/补偿。

看似新的部分中，BiLSTM 建模、在线微调、事件触发 NMPC 都是已有思想的重组；实质创新在于把这些思想落到一个具有三自由度胸鳍和三关节身体的真实 fin-body 协同平台，并证明这种抽象足以支撑三维轨迹跟踪。它属于“data-assisted model-based control for bio-inspired robots”谱系，而不是端到端 learning control。

Dataset / Evaluation

数据来源包括 CFD 仿真和六维力传感器实验数据，控制参数覆盖胸鳍偏置/频率与身体偏置/频率的离散组合。评估包含真实机器鱼、小型室内水池、多种轨迹类型以及静水/恒定流/随机流条件，至少验证了方法在同一平台、同一尺度、受控扰动范围内的有效性。

实验确实支持核心 claim 的一部分：在线更新能减少扰动下的轨迹误差；ENMPC 相比 PID/SMC 更适合强耦合非线性系统；事件触发能降低计算量。但 evaluation 仍有明显边界：水池规模小，流场相对简单；随机流由水泵生成，不等价于开放水域复杂湍流；所有测试都在同一机器人上完成，没有跨形态、跨尺度、跨负载泛化。

另一个问题是 ablation 不够彻底。文中比较了不同网络和有/无在线更新，也比较了不同控制器，但没有充分拆解 CFD 数据量、传感器数据量、CPG 参数化、BiLSTM 容量、MPC horizon、触发阈值各自对最终性能的贡献。因此结果能说明系统组合有效，但不能精确归因。

Limitation

最大限制是泛化边界。模型学习的是特定机器鱼、特定 CPG 参数化、特定水池流场下的动力学 surrogate。只要胸鳍形状、柔性体刚度、质量分布、尺度或流场统计发生显著变化，离线模型很可能需要重新采集/训练。所谓 generalization 更接近参数空间内插值和在线校正，不是跨平台通用水动力建模。

第二个限制是在线更新的稳定性没有被充分处理。持续用真实数据更新模型会带来漂移、噪声放大、短期过拟合和控制-学习耦合风险。文中展示了短时实验收益，但没有说明长期运行中如何避免模型被异常扰动污染，也没有给出安全约束或置信度机制。

第三，控制理论保证较弱。ENMPC 的优化形式是标准的，但 learned dynamics + online update + event trigger 组合后，recursive feasibility、closed-loop stability、触发间隔下界等关键问题没有充分分析。对 T-RO 级别的机器人系统论文可以接受，但作为控制方法本身，上限仍偏工程验证。

第四，增益来源不清。性能提升可能主要来自更密集的数据覆盖、更好的模型容量、在线补偿和 MPC 闭环，而不是 BiLSTM 的特定结构。文中对 bidirectional temporal modeling 的必要性解释不足，尤其在实时预测语境下容易被理解为利用局部序列平滑，而非真正学习物理因果结构。

第五，方法把一部分难题转移到了数据采集和参数空间设计。CPG 降维让学习可行，但也限制了可表达运动策略；如果未来要引入更多鳍体协同参数，数据需求可能快速增长，CFD 成本和真实标定成本会成为主要瓶颈。

Takeaway

  • 1. 对多自由度仿生推进系统，最有效的建模入口往往不是端到端动作学习，而是先构造一个低维、连续、物理可解释的 gait manifold，再在其上学习动力学。
  • 2. CFD 数据在这类问题中的合理角色不是替代真实实验，而是提供离线先验覆盖；真实传感器数据负责在线对齐当前环境。
  • 这种 sim-prior + real-time adaptation 的范式值得迁移到软体机器人、扑翼机器人和其他流固耦合系统。
  • 3. 对 learned dynamics control，MPC 仍然是很强的闭环组织方式；学习模型负责局部预测，控制器负责误差修正和约束处理。

一句话总结

这篇论文在多自由度 fin-body 机器鱼方向上的贡献，是把仿生 gait 降维、数据驱动水动力识别、在线环境适配和事件触发 NMPC 组合成一个可实机运行的三维轨迹跟踪框架，本质上属于数据辅助模型控制的工程化推进，而不是通用水动力学习的突破。