对软型机器人鱼进行比较的CFD模拟,以寻找违规游泳行为
Gonca Ozmen Koca1, Mustafa Ay1, Cafer Bal1
1Department of Mechatronics Engineering, Faculty of Technology, Firat University, 23200 Elazig, Turkey.
Biomimetics (Basel, Switzerland)
|December 24, 2025
概括
研究人员开发了一种深度学习策略,以预测机器人鱼的水力动力性能. 这种方法提高了游泳行为预测的准确性,超过了传统模型.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 流体动力学 流体动力学
- 机器学习 机器学习
背景情况:
- 越来越多地研究自动水下车辆 (AUV),机器人鱼提供卓越的机动性.
- 了解机器人鱼的水力动力性能对于它们的发展至关重要.
研究的目的:
- 为机器人鱼的水力动力性能提出预测策略.
- 用计算流体动力学 (CFD) 和深度学习分析波浪式游泳行为.
主要方法:
- 为CFD模拟创建了一个2D机器人鱼模型.
- 使用动态网络方法,基于波动运动来定位网络.
- 深度学习模型 (LSTM,CNN,GRU) 用于力预测.
主要成果:
- 分析了动力学参数,如动频率和速度,以分析它们对游泳效率和阻力的影响.
- CNN-GRU模型实现了最高的预测性能,根平均平方误差为0.0228.8.
- 与CNN和LSTM模型相比,拟议的方法显示出更高的性能.
结论:
- 该研究成功地提出了一种基于深度学习的预测策略,用于机器人鱼的水力动力性能.
- 这些发现为优化机器人鱼游泳效率和机动性提供了洞察力.
- CNN-GRU模型在预测力方面表现出最好的准确性,突出了AUV研究中深度学习的潜力.


