研究突破 - 北京大学团队提出融合模态分解与物理建模的可解释数据驱动框架 解决仿生机器鱼自主运动状态估计难题 [1] - 方法基于人工侧线传感器时空压强数据 通过本征正交分解提取主导模态并结合Lighthill压强理论解释物理含义 [2] - 框架在动态摆动参数 不同鱼体形态及尾流干扰复杂流场中均展现出色鲁棒性与泛化能力 [4] 技术原理 - 压强数据分解为三个主导模态 分别对应鱼体前进运动 摆动运动及两者耦合产生的压强变化 [6] - 代表前进运动的模态系数与游动速度呈显著二次函数关系 可直接用于速度和轨迹精确估计 [10] - 基于模态信息预测最少传感器数量及最优位置 并通过流场可视化解析分布特点及流体力学原理 [13] 应用价值 - 为水下仿生机器人提供高效可靠自主感知策略 开辟人工侧线系统设计与应用新思路 [4] - 适用于不同形态鱼类模型包括盒子鱼形和鳗鱼形 展现跨形态通用性 [14] - 推动仿生技术与数据驱动方法融合 为水下机器人智能化自主化协同化发展开辟新技术路径 [16]