Learning From Fish: A Two-Stage Transfer Learning Method for a Bionic Robotic Fish

F. Richard Yu

doi:10.1109/TASE.2025.3591314

2025-01-01

PRE

DOI：10.1109/TASE.2025.3591314

原文链接

原文求助

摘要

En 中文

直接学习真实鱼类的游泳行为可以显著提升仿生机器鱼的游泳性能。本文提出了一种基于动态轨迹控制方法的机器鱼学习游泳技能的新型迁移学习方法。首先，我们开发了一套鱼类动作捕捉系统和一个关键动作提取方法，以实现鱼类动作的精确分解，并从蛇头鱼中收集丰富的有意义特征作为预训练数据。接下来，我们构建了一个基于深度确定性策略梯度（DDPG）的两阶段迁移学习方法，包括离线和在线两个阶段。具体而言，在离线阶段，对获取的预训练数据进行处理，用于DDPG网络中的经验学习；而在在线阶段，采用动态轨迹跟踪方法，基于学习到的策略实时优化机器鱼的动作。在自主开发的四关节机器鱼上的实验结果表明，所提出的方法有效地提取并迁移生物动作特征到机器鱼的运动控制中。与传统的CPG方法相比，所提出的方法表现出更强的加速能力和更高效的游泳，从而提升了机器鱼的机动性。总体而言，这种方法为仿生机器人向自然学习提供了技术基础。实践者注意事项——这项工作的动机源于对机器鱼游泳行为适应性控制的需求，以提高其机动性。传统的动态轨迹跟踪方法缺乏根据特定要求调整运动特征的灵活性。相比之下，真实鱼的游泳动作对控制机器鱼提供了宝贵的见解。本文提出了一种两阶段迁移学习框架，从各种条件下的生物鱼运动中提取动作特征，然后将这些特征迁移到机器鱼上，在真实环境中进行优化。从生物运动特征中获得的知识为控制机器鱼游泳行为提供了有效指导。在实际场景中，所提出的方法能够根据加速需求、振荡约束等因素控制机器鱼的运动，增强了加速和巡航性能的灵活性。

Keyword:

Robotic fish

bionic robotics

motion learning

dynamic trajectory tracking