Прерывистое плавание повышает энергоэффективность рыбоподобных роботов
Ученых интересовало, можно ли перенести на роботов естественный механизм энергосбережения, который рыбы выработали в ходе эволюции. Многие водные организмы — от личинок рыб до китов — используют так называемое прерывистое плавание: короткие фазы активных движений хвостом чередуются с пассивным скольжением с выпрямленным телом. Такая тактика считается энергоэффективной, но до сих пор оставалось неясным, как именно нервная система управляет этим процессом и сохраняются ли преимущества в разных условиях среды.
Для ответа на эти вопросы команда построила нейрокомпьютерную модель, имитирующую нейронные цепи рыбы. За основу были взяты центральные генераторы паттернов, модуль запуска движений и вентральные спинальные проекционные нейроны. Модель позволила ZBot воспроизводить разные типы плавания — медленные прямолинейные перемещения, повороты и J-образные маневры. Кроме того, исследователи создали цифрового двойника simZFish в симуляции.
Измерения показали, что прерывистый режим действительно позволяет снизить затраты энергии по сравнению с непрерывной работой хвоста, однако выгода зависит от числа Рейнольдса — безразмерной величины, определяющей соотношение инерционных и вязких сил. В обычной воде, то есть в турбулентном режиме, экономия значительна. Но в вязких жидкостях, имитирующих среду обитания мелких организмов, преимущества уменьшаются: увеличение вязкости сокращает дистанцию, которую ZBot проходит за один цикл, до 1/30 от расстояния в чистой воде. При этом повороты остаются почти такими же эффективными — угол поворота снижается всего лишь с 60 до 45 градусов при переходе от воды к высоковязкой жидкости.
Понимание этих закономерностей поможет проектировать более легких и автономных роботов для работы в различных водных средах. Встроенные механизмы энергосбережения позволят сократить массу батарей и увеличить время миссий, а также пригодятся для разработки микро- и макророботов, имитирующих движения рыб. Работа демонстрирует, как биологические принципы можно адаптировать для инженерных решений, используя нейроморфные алгоритмы управления.
Источник: robohub.org
Поделиться