Nature Communications发表！北大团队用可解释模态分解方法赋能侧线感知，实现机器鱼高精度、多场景运动估计！

仿生学作为连接自然与工程的前沿交叉领域，正不断推动智能机器人系统的革新。鱼类在复杂水下环境中展现出的卓越机动性和感知能力，启发了仿生机器鱼的设计与发展。然而，在水下环境光照不足、声学干扰频繁等恶劣条件下，传统视觉与声呐传感技术常常面临性能瓶颈。相比之下，鱼类独有的侧线系统——能感知周围水流速度和压强变化——为水下机器人提供了全新的感知范式。

近年来，研究人员开发了人工侧线系统（Artificial Lateral Line System, ALLS），用于模拟鱼类的感知能力，广泛应用于流场感知、避障和多鱼协同等任务。但若要实现真正的自主智能，机器人还必须准确估计自身的运动状态，如速度、摆动模式和轨迹变化。对于自由游动的仿生机器鱼来说，因其推进依赖周期性摆动，所引发的强流固耦合问题使得传统建模手段难以适用，而现有的深度学习方法虽具精度，往往缺乏可解释性与泛化能力。

▍提出新框架，突破仿生机器鱼感知难题

针对这一挑战，来自北京大学先进制造与机器人学院智能仿生设计实验室的谢广明教授团队，提出了一种融合模态分解与物理建模的可解释、可泛化的数据驱动自运动状态估计框架。

该方法基于人工侧线传感器采集的时空压强数据，通过本征正交分解（Proper Orthogonal Decomposition, POD）提取出与鱼体运动密切相关的主导模态，并结合Lighthill压强理论对其物理含义进行解释。在此基础上，研究团队进一步揭示了传感器布置中的冗余性，提出了优化的传感器布局策略，有效降低系统复杂度。

图1 仿箱鲀机器鱼及人工侧线传感器布局

在多组仿真实验与实际测试中，该模型在不同摆动参数、不同鱼体形态，以及存在尾流干扰的复杂流场中均展现出出色的鲁棒性与泛化能力。研究结果不仅为水下仿生机器人提供了一种高效、可靠的自主感知策略，也为人工侧线系统的设计与应用开辟了新思路，展示了仿生技术与数据驱动方法在智能机器人领域融合的巨大潜力。

相关成果以“An Interpretable Approach to Estimate the Self-motion in Fish-like Robots Using Mode Decomposition Analysis”为题，近期在线发表于期刊Nature Communications。论文的通讯作者是谢广明教授和李亮博士，第一作者是谢广明教授团队博士生翟宇凡，合作单位包括浙江大学、清华大学、德国马克思普朗克动物行为研究所、德国康斯坦茨大学等。该研究得到了国家自然科学基金、北京市自然科学基金、浙江省自然科学基金等项目资助。

▍具有可解释性的模态分解方法

研究团队首先对人工侧线压强传感器采集的时空信号进行了本征正交分解（POD），发现这些压强数据可以被有效地分解为若干具有清晰物理意义的主导模态及其对应的时间系数。通过结合Lighthill压强理论模型，研究团队进一步揭示：能量占比最高的三个主导模态分别对应鱼体的前进运动、摆动运动以及两者耦合产生的压强变化，而相应的模态系数则分别反映了前进速度、摆动角速度与耦合速度等关键运动状态。

图2 模态分解结果及对应的理论解释

值得注意的是，代表前进运动的模态系数与仿生鱼的游动速度之间呈现出显著的二次函数关系，可被直接用于速度和轨迹的精确估计。这一结果不仅加深了对人工侧线感知信号的物理理解，也为构建低维度、高效率的状态估计模型提供了坚实基础，实现了从传感信号到运动机制的有效物理映射。

▍优化传感器布置及流场可视化分析

由于前三个左右的压强模态几乎包含了全部能量信息，当前的压强信号存在可以降维的空间，即当前的传感器布局存在一定的冗余。

图3 模态分解用于解释最优传感器分布

研究团队基于模态信息，预测出实现精确轨迹估计所需的最少传感器数量及其最优位置，并在实验中验证了这一方法的有效性。此外，研究团队还借助流场可视化方法深入解析了最优传感器的分布特点及其背后的流体力学原理，为未来传感器布局优化提供了理论指导。

▍可泛化至多种复杂场景

研究团队验证了所提出方法在多种复杂场景下的泛化能力和鲁棒性。首先，在动态变化的摆动频率、振幅和偏置条件下，仿生机器鱼依然能够实现精确的自运动状态及轨迹估计。其次，该方法成功应用于三维计算流体力学（Computational Fluid Dynamics, CFD）仿真数据，适用于不同形态的鱼类模型，包括盒子鱼形和鳗鱼形，展现出良好的跨形态通用性。最后，在存在尾流干扰的复杂流场中，该方法仍保持稳健的状态感知能力，体现出出色的鲁棒性和实用价值。