生物集群运动具有高机动、高适应性、高效节能等优点,是优良的水下仿生机器人集群借鉴对象[1]。借鉴生物集群运动的优势,探索水下仿生机器人集群节能关键技术,实现水下仿生机器人集群节能的工程应用,对提高我国海洋资源的控制和利用能力具有显著效益。
自然界生物集群运动的现象广泛存在,鱼群、鸟群等通过集群游动/飞行方式实现节能运动。研究表明,生物集群运动利用流场有益作用达到节能效果[2]。Weihs于1973年首次提出了鱼群游动节省能量的假设,这个假设通过鱼群观测和数值模拟等方法被验证。后来Weihs提出,生物运动会产生不同特征的流场结构,并利用流场中阻力较小的区域实现运动能耗较小化[3]。
为实现水下仿生机器人集群节能技术的工程应用,首先要明确生物集群运动的节能机理;其次,通过数值模拟的方法得到流场特征分布信息。可靠适用的流场信息感知与处理技术对实现水下仿生机器人集群节能的工程应用也是必不可少的。
采用传感技术获取可靠流场感知信息后,建立水下仿生机器人集群节能控制方法。水下仿生机器人集群节能关键技术包括生物集群节能机理、水下流场信息感知技术、水下仿生机器人集群节能控制等多个学科技术,涉及学科范围较广,具有较强的创新性,其关键技术研究对我国水下仿生机器人的发展具有重大意义。
1 生物集群运动节能机理研究现状 1.1 活体观测研究生物集群运动时由于各种机制的影响,以队形飞行的鸟或成群游动的鱼,后方个体会主动穿越前方个体产生的阻力减少区域,从而减小飞行或游动的阻力。随着鱼群游动能够节省能量的想法被提出,有学者简单地证明了个体鱼在集体环境下实现能量节省的理论[4]。Fields等[5]对太平洋鲭鱼鱼群的调查结果显示,与单个鱼体游动时尾巴拍打频率相比,群体游动的鱼尾部拍打频率降低。Herskin等[6]通过对鱼群的观察和测量表明,鱼群中前方游动鱼的尾拍打频率显著高于后方鱼的尾拍打频率,该研究从耗氧量的角度解释了群游鱼中后方鱼能耗低的现象。Killen等[7]从代谢率和耗氧量的角度对鲻鱼鱼群游动节能现象进行了研究,结果表明处于鱼群后方游动的鱼耗氧量较低,且尾部拍打的频率相比于前方鱼较低,该研究初步说明了水动力相互作用为鱼群中后方鱼提供了降低能耗的益处。
西北工业大学张栋等[8-9]对蝠鲼真实游动情况进行观测,主要利用高清相机观测和提取真实蝠鲼形态学和运动学特征,并对主动推进状态、倒游状态、转弯状态、滑翔状态、俯仰状态和急停状态下的胸鳍轨迹进行记录,得到了鱼体的外形参数、三维物理模型及其运动学参数,并成功研制出了仿蝠鲼样机。
上述研究通过生物活体观测的方式揭示了集群运动的节能机理。研究表明集群运动的确能够降低生物运动的能量消耗,同时,集群运动生物通过选择合理的队形及位置使整体能耗最小。这些研究为实现水下仿生机器人集群节能运动提供了启发及基础。
1.2 数值模拟研究随着科学技术的发展,越来越多的研究表明,当鱼以群体的方式游动时,它们会获得能量上的优势。研究者们通过数值模拟的方法解释了这种优势的产生。
Verma等[10]利用数值模拟方法证明了鱼群中后方鱼会主动穿过前方鱼产生的涡心低压区,进而提高它们的游动效率。研究使用数值模拟和深度强化学习算法相结合的方法证明了上述结论。鱼群游动产生的涡系如图 1所示。该结果证实了鱼类可以获取储存在流场中的能量,并支持了在流场涡中游动具有能量优势的推测。
为研究鱼群的空间布局和集群运动能量消耗之间的关系。Chen等[11]使用数值仿真了鱼群中不同距离成员之间的水动力相互作用。仿真使用3个鱼体进行,通过调节鱼体之间的横向和纵向距离来寻求鱼群间的最佳空间布局。图 2为鱼群的空间排列示意图,其中L代表鱼的长度,D代表前鱼与后鱼之间的横向距离,S代表前鱼与后鱼之间的纵向距离。
研究表明,鱼群运动时,在身体波动周期的特定时刻,2条鱼之间产生的低压区域能够被动地帮助鱼头部转动和尾部跳动;目前鱼涡流的侧向力也有利于鱼头的波动。
西北工业大学潘光等[12]通过对蝠鲼的观测得到:蝠鲼在运动过程中并不是始终进行主动拍动,而是采用间歇式运动策略,即滑翔加主动推进策略,此种策略可以大大降低能耗,提高效率。为揭示蝠鲼推进状态的游动机理,针对蝠鲼大变形时流场模拟及水动力计算问题,该团队研究者[13]在格子Boltzmann方法框架下,采用浸入边界法处理物理模型边界,近场动力学法求解结构动力响应。得到蝠鲼游动的流场数值模拟如图 3所示。该研究不仅对蝠鲼群游高效节能机理有了一定的了解,同时对未来新型航行器模型的研制、实验研究及编队航行群体智能协调控制有一定的参考和指导意义。
以上研究利用数值模拟的方法讨论了生物运动产生的流场结构,以具体的流场结构参数揭示了生物集群运动的节能机理。研究表明,以集群方式运动的生物会主动穿越队形中前方个体产生的流场压力最小区域,并给出了集群运动的空间布局和能量消耗之间的关系。这些研究为水下仿生机器人集群节能协同控制提供了可靠的设计参数。
2 水下流场信息感知技术研究现状在生物集群运动过程中,个体的路径选择只能依靠有限的周围流场信息获得[14]。因此,得到水下仿生机器人周围流场分布特征,对水下仿生机器人集群运动参数和路径选择具有重要意义。
生物学研究发现,鱼类利用分布在身体表面的大量感受器进行环境检测。这些感受器可以帮助鱼类识别周围水压变化,从而帮助鱼类进行避障,捕食和追踪等行为。
2.1 人工侧线感知阵列研究现状目前,基于仿生学理论,许多学者[15]已进行了人工侧线领域的研究。Liu等[16]设计了一种微压力传感器组成的人工侧线阵列。研究通过对载体的流体动力学模拟,得到了载体的压力分布云,并从压力云图中找出载体的压力敏感位置(如压力最大值点、压力最小值点和静压零点),从而找到布置传感器的最佳位置。
在实际仿生器件中,还有一种基于塑性变形磁性组装技术和微机电系统(micro-electro-mechanical system, MEMS)制造技术制作的微型传感阵列[17],如图 4所示。
水下仿生机器人集群在运动过程中产生的流场特征存在差别,且不同水下仿生机器人的特定动作可以产生特征流场。因此,人工侧线系统有望通过流场感知间接地实现水下仿生机器人之间的协同交流。
2.2 基于人工侧线的水下信息感知技术在获取水下仿生机器人多源数据后,需对复杂环境中的不同状态信息进行处理。研究表明[18],鱼可利用感知到的流场信息估算水的流速、方向,实现不同游动状态下的顺流,从而降低能量消耗。而人工侧线系统能够将阵列传感信号转化为流场信息和机器人的运动状态信息,实现机器人的顺流运动。
北京大学谢广明等[19]设计了基于压力传感器阵列原理的人工侧线系统(如图 5所示),实现了机器鱼不同运动状态信息(机器鱼游动速度、加速度、相邻机器鱼前后距离、相对横向距离和相对角度等)的获取。
近年来也有学者通过分析人工侧线阵列信号与流场力学模型的相关性以实现运动目标的识别和定位。Zhang等[20]提出了一种利用分布式压力传感器实现柔性机器鱼速度闭环控制的算法。Free等[21]基于建立的流场模型和人工侧线系统测量的流场信息研究了柔性机器鱼的速度评估和位置控制。
目前,水下流场信息感知主要通过人工侧线的方式实现,借鉴了鱼类身体表面分布的感受器进行环境感知的模式。现有的人工侧线阵列主要由分布在机器人身上的压力传感器组成,这种感知阵列只适应于身体变形较小的刚性机器人,对于水下柔性机器人,如仿蝠鲼机器人来说适应性较差。基于此,未来可研究适用于水下柔性机器人的新型人工侧线传感阵列。
3 水下仿生机器人集群控制研究现状集群行为是由个体间相对简单的局部自组织交互产生的一种涌现现象。集群中的个体通过对邻居的距离、速度、方位、能耗等因素的综合评判,更新水下仿生机器人集群信息交互规则,从而得到水下仿生机器人集群控制方法。
3.1 水下仿生机器人单体运动控制方式水下仿生机器人常用的运动控制方式主要有基于模型的控制方法、正弦控制器方法和基于中枢模式发生器(CPG)的控制方法。水下仿生机器人单体运动控制方法综述如表 1所示。
基于模型的控制方法是建立在明确水下机器人的运动学和动力学基础上的一种控制方法,该方法可实现精准的运动控制。然而,不同于空气中的机器人,水下机器人工作环境复杂,干扰因素多,使得其精准建模极其困难。因此使用基于模型的控制方法实现水下仿生机器人的运动控制鲁棒性不佳。
正弦控制器方法虽然是水下仿生机器人运动控制方法中常用的一种控制方法,但当其控制参数(如频率、振幅)发生突变时,易导致关节角产生不连续的跳变,灵活性较差。同时,正弦控制器方法较难引入外部反馈信号,稳定性较差。
基于CPG的控制方法是通过模仿生物节律运动的控制机理。CPG是一种神经网络,可以产生稳定的周期信号,其周期信号的产生不依赖高级神经中枢,也不依赖外部反馈信息,由其自身特性而决定。CPG控制方法能够实现水下仿生机器人各状态间的平滑切换。
Ijspeert等[22]成功将CPG控制方法应用于仿蝾螈两栖机器人。Ijspeert改进后的相位振荡器模型可以独立控制振幅和相位差,建立了CPG网络模型。整个控制系统只有一个输入参数d,通过改变参数d的大小,调节机器人所表现出的速度、方向和运动模式。
曹勇等[23]利用CPG振荡器实现了仿蝠鲼机器人不同状态的运动控制,如图 6所示。根据蝠鲼生物的观察分析,该水下仿蝠鲼机器人由对称胸鳍及尾鳍构成。实验证明了此CPG控制方法可以实现水下仿生机器人不同状态的运动控制,其各状态之间可实现平滑切换。
3.2 集群主要控制方式1) 编队控制
目前,编队控制主要的研究方法有:领航者-跟随者方法[26],Kumar等[27]首次提出该方法,利用反馈线性化的方法设计了编队控制律,并证明了其稳定性;基于行为的方法[28],该方法是指通过设计许多基本行为驱使多机器人系统形成编队的同时运动到期望的位置,且运动过程中可以避障;虚拟结构法[29],其基本思路为:将多机器人系统的编队看作虚拟的刚性结构,每个机器人可看成是刚性结构上相对位置固定的一点。此外,人工势场法、图论法等方法也多用于集群编队控制。
Jia等[30]结合一致性算法和势函数,提出了一种领导者-跟随者结构的集群编队算法,用于机器鱼系统执行群体任务,并通过实验证明了算法有效性。多水下仿生机器人编队控制方法综述如表 2所示。
2) 避障控制
生物集群在空间上一分为多的行为可实现对障碍物/危险的有效规避。刘明雍等[32]提出了一种“非平均化”的个体速度协同机制,利用信息熵定义了一种融合邻居速度、距离、数量及自身感知半径的综合性评价指标,实现了外部刺激作用下群集的自组织分群运动。
Jia等[35]提出了一种基于势函数和行为规则的控制算法。在控制律设计时,将目标视为吸引物体,障碍物视为排斥物体,在障碍物环境的安全区、避障区和危险区分别设计控制律。最终通过数值仿真表明3个水下机器人能够在短时间内自主避开障碍物,并随编队在安全区域运动。
多水下仿生机器人避障控制方法综述如表 3所示。
能量有效利用一直是水下机器人研究的重点内容。通过对生物集群运动的节能机理研究可知,在空气或者水流环境中运动的生物群体会利用运动产生的流场降低自身的前进阻力。近年来,有学者也在相关领域做了研究[37-38]。
北京大学谢明团队致力于研究鱼群在运动时如何利用有益的水动力相互作用。文献[38]以仿生机器鱼为实验平台,通过直接测量集群运动的功耗,得出了节省能量的行为准则。该研究提供了一种简单、稳健的控制策略,可作为一个设计原则,提高鱼状水下机器人的集体游泳效率。
付等[39]通过实验建立了机器鱼在流场环境下不同游动姿态与能量消耗之间的对应关系。该研究利用强化学习算法对流场中鱼体能量消耗最小的游动姿态进行优化,实现了集群运动能量的节省。
基于节能机理的水下仿生机器人控制综述如表 4所示。
现有典型的集群模型都有了较成熟的发展,这些模型都能使集群中的个体出现一致运动,具有典型的集群运动特征。同时,集群编队控制方面的理论研究也已有较成熟的发展。这些研究都能够为制定集群节能控制策略提供参考。然而,在现有研究及理论基础上,如何设计结合流场特征、水下仿生机器人间状态等参数的控制方法,是未来实现水下仿生机器人集群节能控制需要解决的问题。
4 水下仿生机器人集群节能研究面临的挑战及发展趋势本文对水下仿生机器人集群节能关键技术(生物集群运动的节能机理、水下流场信息感知技术、水下集群控制)进行了综述。由于水下环境的复杂性和不确定性,在考虑水动力对水下仿生机器人集群运动有益作用方面的研究较少。因此,水下仿生机器人集群节能关键技术还面临着很大的挑战。
1) 获取水下仿生机器人运动时流场分布特征。研究表明,鱼群游动时,鱼尾摆动所诱导的涡系会相互干扰,从而改变流场结构。要明确流场结构的变化规律,首要的问题是如何通过数值模拟的方法呈现出水下仿生机器人集群运动过程中的流场结构变化。
目前有关水下流场数值模拟多集中于刚性的数值模拟研究,对柔性集群运动的流场数值模拟研究较少。未来研究可提出水下柔性机器人运动时的流场数值模拟方法,以揭示各运动参数(振幅、频率、波数等)对个体水动力特性的影响;进而提出柔性集群在不同编队运行时的流场数值模拟方法;分析柔性集群运动时周围流场中涡系的空间和时间演化与后方个体表面压力分布、与周围个体的实时相对位姿的相互影响规律;从游动阻力、航行距离等方面综合分析集群运动节能效率,从而获得最优的编队队形及相应的间距和运动姿态等参数。
2) 建立流场信息与水下仿生机器人运动状态之间的关系。现有对水下流场信息的感知技术主要有人工侧线系统。然而,由于水下仿生机器人个体面积小、机动灵活等特点,一般用于水下航行器的传感模块都无法用于水下仿生机器人。因此,设计适用于水下仿生机器人的人工侧线感知系统是开展后续工作的基础也是所面临的挑战;其次,获取水下多源环境数据后,如何在复杂环境中开展多模信息感知,揭示水下仿生机器人运动过程中的流场方位、表面压强、运动参数之间的耦合关系是流场信息感知技术的另一大挑战。
目前神经网络等机器学习算法已经开始应用于水下复杂信息的处理。未来研究可利用人工智能技术对水下仿生机器人集群运动过程中的航向姿态、水中流场涡系和压力分布进行机器学习以获取流场分布;利用卷积神经网络解决水下多模态信息感知与认知所面临的复杂流场、环境观测信息与集群位姿之间强耦合的非线性约束问题。
3) 设计基于节能机理的水下仿生机器人集群控制策略。目前,典型的集群模型有Couzin模型、Vicsek模型等。这些模型都能使集群中的个体出现一致运动,具有典型的集群运动特征。同时,集群编队控制方面的理论研究也已有较成熟的发展。这些研究都能够为制定集群节能控制策略提供参考。然而,如何在现有研究及理论基础上,设计结合流场特征、水下机器人间状态等参数的控制方法,是实现水下仿生机器人集群节能控制的重要挑战。
目前基于网络拓扑结构的机器人集群控制技术已得到了一定程度的发展,但多集中于陆地或空中的机器人集群编队控制。亟需开展水下机器人集群节能控制技术研究。未来发展可结合水下流场特征、机器人间的状态信息等参数,分析水下仿生机器人集群协同的信息传播机制,建立新的集群节能模型和集群节能控制策略,最终实现水下仿生机器人集群节能控制。
5 结论本文综述了近年来水下仿生机器人集群节能关键技术的国内外发展现状,分析了水下仿生机器人集群节能关键技术所面临的挑战,并提出了未来发展趋势。水下仿生机器人集群节能关键技术研究为其实现工程应用奠定了基础,且此基础研究涉及学科范围较广、创新性较强,这些关键技术若能突破,将促进我国水下仿生机器人领域进入更前沿时代。
[1] | ZHU Y, TANG X. Overview of swarm intelligence[C]//2010 International Conference on Computer Application and System Modeling, 2010: 400-403 |
[2] | TAMÁS Vicsek. Collective motion[J]. Physics Reports, 2012, 517(3/4): 71-140. |
[3] | WEIHS D. Hydrodynamics of fish schooling[J]. Nature, 1973, 241: 290-291. DOI:10.1038/241290a0 |
[4] | HEMELRIJK C, REID D, HILDENBRANDT H, et al. The increased efficiency of fish swimming in a school[J]. Fish and Fisheries, 2015, 16(3): 511-521. DOI:10.1111/faf.12072 |
[5] | FIELDS P A. Decreased swimming effort in groups of Pacific mackerel(scomber japonicus)[J]. American Society of Zoology, 1990, 30(4): 134A. |
[6] | HERSKIN J, STEFFENSEN J F. Energy savings in sea bass swimming in a school: measurements of tail beat frequency and oxygen consumption at different swimming speeds[J]. Journal of Fish Biology, 2010, 53(2): 366-376. DOI:10.1111/j.1095-8649.1998.tb00986.x |
[7] | KILLEN S S, MARRAS S, STEFFENSEN J F, et al. Aerobic capacity influences the spatial position of individuals within fish schools[J]. Proceedings Biological of the Royal Society, 2012, 279(1727): 357-364. DOI:10.1098/rspb.2011.1006 |
[8] | HUANG Q, ZHANG D, PAN G. Computational model construction and analysis of the hydrodynamics of a rhinopter jovanica[J]. IEEE Aecess, 2020, 8: 30410-30420. DOI:10.1109/ACCESS.2020.2970942 |
[9] | HE J, CAO Y, HUANG Q, et al. A new type of bionic manta ray robot[C]//Global Oceans 2020, Singapore, 2020: 1-6 |
[10] | VERMA S, NOVATI G, KOUMOUTSAKOS P. Efficient collective swimming by harnessing vortices through deep reinforcement learning[J]. Proceedings of the National Academy of Sciences, 2018, 115(23): 5849-5854. DOI:10.1073/pnas.1800923115 |
[11] | CHEN S Y, CHEN Y C, CHI K J, et al. The swimming patterns and energy-saving mechanism revealed from three fish in a school[J]. Ocean Engineering, 2016, 122(1): 22-31. DOI:10.1016/j.oceaneng.2016.06.018 |
[12] |
高鹏骋, 黄桥高, 潘光, 等. 柔性扑翼水动力特性试验研究[J]. 华中科技大学学报, 2022, 50(1): 144-148.
GAO Pengcheng, HUANG Qiaogao, PAN Guang, et al. Experimental study on hydrodynamic characteristics of flexible flapping wing[J]. Journal of Huazhong University of Science and Technology, 2022, 50(1): 144-148. (in Chinese) |
[13] |
邢城, 潘光, 黄桥高. 仿蝠鲼柔性潜水器翼型流场性能分析[J]. 数字海洋与水下攻防, 2020, 3(3): 265-270.
XING Cheng, PAN Guang, HUANG Qiaogao. Performance analysis of airfoil flow field of manta ray like flexible submersible[J]. Digital Ocean and Underwater Attack and Defense, 2020, 3(3): 265-270. (in Chinese) |
[14] | GUIJIE L, ANYI W, XINBAO W, et al. A review of artificial lateral line in sensor fabrication and bionic applications for robot fish[J]. Applied Bionics and Biomechanics, 2016, 2016: 1-15. DOI:10.1155/2016/4732703 |
[15] |
胡桥, 刘钰, 赵振轶, 等. 水下无人集群仿生人工侧线探测技术研究进展[J]. 水下无人系统学报, 2019, 27(2): 114-122.
HU Qiao, LIU Yu, ZHAO Zhenyi, et al. Research progress of underwater unmanned cluster bionic artificial side line detection technology[J]. Journal of Underwater Unmanned Systems, 2019, 27(2): 114-122. (in Chinese) |
[16] | LIU G, WANG M, WANG A, et al. Research on flow field perception based on artificial lateral line sensor system[J]. Sensors, 2018, 18(3): 838. DOI:10.3390/s18030838 |
[17] | ASADNIA M, KOTTAPALLI A G P, MIAO J, et al. Artificial fish skin of self-powered micro-electromechanical systems hair cells for sensing hydrodynamic flow phenomena[J]. Journal of the Royal Society Interface, 2015, 12(111): 322. DOI:10.1098/rsif.2015.0322 |
[18] |
张兴兴, 王伟, 陈世明, 等. 基于人工侧线的相邻仿生机器鱼感知研究[J]. 测控技术, 2016, 35(10): 33-37.
ZHANG Xingxing, WANG Wei, CHEN Shiming, et al. Research on perception of adjacent bionic robotic fish based on artificial side line[J]. Measurement and Control Technology, 2016, 35(10): 33-37. (in Chinese) DOI:10.3969/j.issn.1000-8829.2016.10.009 |
[19] | ZHENG X, WANG C, FAN R, et al. Artificial lateral line based local sensing between two adjacent robotic fish[J]. Bioinspiration & Biomimetics, 2017, 13(1): 016002. DOI:10.1088/1748-3190/aa8f2e |
[20] | ZHANG F, LAGOR F D, YEO D, et al. Distributed flow sensing for closed-loop speed control of a flexible fish robot[J]. Bioinspiration & Biomimetics, 2015, 10(6): 065001. DOI:10.1088/1748-3190/10/6/065001 |
[21] | FREE B A, PALEY D. Model-based observer and feedback control design for a rigid Joukowski foil in a Kármán vortex street[J]. Bioinspiration & Biomimetics, 2018, 13(3): 035001. DOI:10.1088/1748-3190/aaa97f |
[22] | IJSPEERT A J, CRESPI A, RYCZKO D, et al. From swimming to walking with a salamander robot driven by a spinal cord model[J]. Science, 2007, 315(5817): 1416-1420. DOI:10.1126/science.1138353 |
[23] | CAO Y, LU Y, CAI Y, et al. CGP-fuzzy-based control of a cownose-ray-like fish robot[J]. Industrial Robot, 2019, 461(6): 779-791. DOI:10.1108/IR-02-2019-0029 |
[24] | LA SPINA G, SFAKIOTAKIS M, TSAKIRIS D P, et al. Polychaete-like undulatory robotic locomotion in unstructured substrates[J]. IEEE Trans on Robotics, 2007, 23(6): 1200-1212. DOI:10.1109/TRO.2007.909791 |
[25] | LOW K H. Mechatronics and buoyancy implementation of robotic fish swimming with modular fin mechanisms[J]. Journal of Systems and Control Engineering, 2007, 221(3): 295-309. DOI:10.1243/09596518JSCE276 |
[26] | ROUT R, SUBUDHI B. A backstepping approach for the formation control of multiple autonomous underwater vehicles using a leader-follower strategy[J]. Journal of Marine Engineering & Technology, 2016, 15(1): 38-46. |
[27] | DESAI J P, KUMAR V. Modeling and control of formations of nonholonomic mobile robots[J]. IEEE Trans on Robotics & Automation, 2002, 17(6): 905-908. DOI:10.1109/70.976023 |
[28] | LEE G, CHWA D. Decentralized behavior-based formation control of multiple robots considering obstacle avoidance[J]. Intelligent Service Robotics, 2017, 11: 127-138. DOI:10.1007/s11370-017-0240-y |
[29] | YOSHIOKA C, NAMERIKAWA T. Formation control of nonholonomic multi-vehicle systems based on virtual structure[J]. IFAC Proceedings Volumes, 2008, 41(2): 5149-5154. DOI:10.3182/20080706-5-KR-1001.00865 |
[30] | JIA Y, WANG L. Leader-follower flocking of multiple robotic fish[J]. IEEE Trans on Mechatronics, 2015, 20(3): 1372-1383. DOI:10.1109/TMECH.2014.2337375 |
[31] | CUI R, GE S S. Leader-follower formation control of underactuated autonomous underwater vehicles[J]. Ocean Engineering, 2010, 37(17/18): 1491-1502. DOI:10.1016/j.oceaneng.2010.07.006 |
[32] |
杨盼盼, 刘明雍, 雷小康, 等. 群集系统分群行为建模与控制研究进展[J]. 控制与决策, 2016(2): 193-206.
YANG Panpan, LIU Mingyong, LEI Xiaokang, et al. Research progress on clustering behavior modeling and control of clustered systems[J]. Control and Decision Making, 2016(2): 193-206. (in Chinese) |
[33] |
刘明雍, 雷小康, 杨盼盼, 等. 基于信息耦合度的群集系统自组织分群方法[J]. 控制与决策, 2015(2): 271-276.
LIU Mingyong, LEI Xiaokang, YANG Panpan, et al. Self organizing clustering method of cluster system based on information coupling[J]. Control and Decision Making, 2015(2): 271-276. (in Chinese) |
[34] | DING G, ZHU D, SUN B. Formation control and obstacle avoidance of multi-AUV for 3-D underwater environment[C]//Proceedings of the 33rd Chinese Control Conference, 2014: 8347-8352 |
[35] | JIA Q, LI G. Formation control and obstacle avoidance algorithm of multiple autonomous underwater vehicles(AUVs) based on potential function and behavior rules[C]//2007 IEEE International Conference on Automation and Logistics, 2007: 569-573 |
[36] | PANG S, LI Y, YI H. Joint formation control with obstacle avoidance of towfish and multiple autonomous underwater vehicles based on graph theory and the null-space-based method[J]. Sensors, 2019, 19(11): 2591. DOI:10.3390/s19112591 |
[37] | LIANG X, MU X, HOU Y, et al. Energy efficiency formation optimization of a fleet of AUVs based on multi-island genetic algorithm[C]//36th Chinese Control Conference, 2017: 6681-6684 |
[38] | LI L, NAGY M, GRAVING J M, et al. Vortex phase matching as a strategy for schooling in robots and in fish[J]. Nature Communications, 2020, 11(1): 1-9. DOI:10.1038/s41467-019-13993-7 |
[39] |
付如彬, 李亮, 徐成, 等. 基于强化学习的仿生机器鱼节能研究[J]. 北京大学学报, 2019, 55(3): 12-17.
FU Rubin, LI Liang, XU Cheng, et al. Research on energy saving of bionic robotic fish based on reinforcement learning[J]. Journal of Peking University, 2019, 55(3): 12-17. (in Chinese) |
[40] | SANTOS C D, CILDOZ M U, VIEIRA R P, et al. Nonlinear mapping for performance improvement and energy saving of underwater vehicles[J]. International Journal of Robust and Nonlinear Control, 2018, 28(18): 5811-5840. DOI:10.1002/rnc.4348 |