一种基于数据驱动的仿生机器鱼游动控制方法

自然界中的鱼类展现出卓越的游泳能力，然而受水生生物启发研发的仿生机器鱼在运动性能上仍与真实鱼类存在差距。为提升仿生机器鱼的游动效率与控制精度，提出了一种基于数据驱动的游动控制方法。该方法首先通过多角度高清摄像系统与水下传感器同步采集真实鱼类的游动视频与环境参数，构建时空对齐的多模态数据集。随后，基于改进的DeepLabCut算法与图卷积网络，提取鱼体关键点并重构关节角度序列。结合三关节仿生鱼运动模型与推进曲线方程，建立了仿生机器鱼的驱动机制。通过仿真平台对不同鱼类关节角度输入下的直线推进效果进行对比分析，评估推进效率与稳定性，揭示关节参数对整体运动性能的关键影响。实验结果表明，该方法能有效复现多种鱼类的运动风格，并通过自监督学习实现控制策略的动态优化。该控制方法摆脱了传统基于鱼体波函数的建模方式，提出以真实视觉数据驱动控制系统的新范式，具备良好的实时性、鲁棒性与扩展性。