[论文解读] Detecting exotic wakes with hydrodynamic sensors

Mengying Wang, Maziar S. Hemati|arXiv (Cornell University)|Nov 28, 2017

Biomimetic flight and propulsion mechanisms参考文献 5被引用 3

一句话总结

本文提出了一种通用的wake检测协议，通过测量仿鱼体单点处的水动力信号，对超出标准von Kármán型wake的奇异水动力wake进行分类。通过采用理想流体框架建模wake动力学并提取时间序列特征，该方法在区分动态特性各异的wake区域时实现了超过95%的准确率，展示了其在仿生机器人多模型传感中的可行性。

ABSTRACT

Wake sensing for bioinspired robotic swimmers has been the focus of much investigation owing to its relevance to locomotion control, especially in the context of schooling and target following. Many successful wake sensing strategies have been devised based on models of von Karman-type wakes; however, such wake sensing technologies are invalid in the context of exotic wake types that commonly arise in swimming locomotion. Indeed, exotic wakes can exhibit markedly different dynamics, and so must be modeled and sensed accordingly. Here, we propose a general wake detection protocol for distinguishing between wake types from measured hydrodynamic signals alone. An ideal-flow model is formulated and used to demonstrate the general wake detection framework in a proof-of-concept study. We show that wakes with different underlying dynamics impart distinct signatures on a fish-like body, which can be observed in time-series measurements at a single location on the body surface. These hydrodynamic wake signatures are used to construct a wake classification library that is then used to classify unknown wakes from hydrodynamic signal measurements. The wake detection protocol is found to have an accuracy rate of over 95% in the majority of performance studies conducted here. Thus, exotic wake detection is shown to be viable, which suggests that such technologies have the potential to become key enablers of multi-model sensing and locomotion control strategies in the future.

研究动机与目标

• 解决现有wake传感策略在面对偏离标准von Kármán型动力学的奇异wake类型时的不足。
• 开发一种通用检测框架，仅基于水动力信号即可区分不同wake区域。
• 证明基于特征的分类库可有效识别复杂非2S型wake动力学。
• 在多种wake参数区域和算法设置下，评估检测协议的鲁棒性与准确性。

提出的方法

• 构建理想流体模型，以模拟仿鱼体对各类wake类型的水动力响应。
• 在身体表面单一点采集时间序列水动力信号，以提取wake特征。
• 从时间序列数据中提取具有区分性的特征，以表征不同的wake动力学。
• 基于广泛已知wake区域的特征向量，构建wake分类库。
• 应用k近邻算法，通过将未知wake的特征与分类库条目进行比较，实现分类。
• 在不同算法参数下评估性能，以检验其鲁棒性与准确性。

实验结果

研究问题

• RQ1 在身体单一点测量的水动力信号是否能可靠地区分具有不同底层动力学特性的奇异wake类型？
• RQ2 基于特征的分类库在从水动力特征中识别未知wake区域方面效果如何？
• RQ3 该检测协议在不同wake参数值和算法配置下的准确率如何？
• RQ4 该方法在区分相空间分界面附近的wake区域时存在哪些局限性？
• RQ5 信号特征与噪声水平如何影响wake分类框架的性能？

主要发现

• 在多数测试的算法参数值下，wake检测协议的准确率超过95%。
• 不同的wake动力学会在仿鱼体上产生独特的水动力特征，这些特征可在单点时间序列测量中被观测到。
• 特征向量有效捕捉了动态特性各异的wake区域之间的定性差异，从而支持可靠分类。
• 当wake区域在相空间分界面附近演化时，该方法难以区分，因为其特征向量更为相似。
• 在兼具多种特征的区域（如同时表现出轨道运动与交换动力学特征的区域）中观察到性能下降。
• 本研究强调了构建更丰富的分类库以及采用多模态、分布式传感的必要性，以应对传感器噪声和体-wake对齐变化等实际挑战。