跟着鸟儿学飞行？扑翼机器人的感知秘籍

       大家好！今天来了解一篇扑翼机器人的研究——《Avian-inspired embodied perception in biohybrid flapping-wing robotics》发表于《Nature Communications》。在广阔天空中，鸟类凭借精妙翅膀结构与敏锐感知自由翱翔，这一直吸引着科学家探索其奥秘，期望将这些特性应用于仿生扑翼飞行器。然而，在有限重量内模拟鸟类感知极具挑战。不过，现在有了新突破！本文将带您走进一项前沿研究，研究者们巧妙结合鸟类羽毛与柔性压电材料，设计出独特机械感受器，还运用先进算法，让扑翼机器人实现了高精度飞行状态感知，开启仿生飞行新征程。

*本文只做阅读笔记分享*

一、研究背景与意义

鸟类凭借其独特的翅膀结构和感知系统，实现了高效、灵活的飞行。例如，蜂鸟能熟练完成旋转、悬停和转弯等各种飞行机动动作，燕子可通过调整后翼方向精确控制下降和转弯速率。鸟类羽毛的特殊结构不仅为飞行提供了必要的强度和灵活性，其在感知气流和调整飞行姿态方面也起着关键作用。

然而，在设计仿生扑翼飞行器时，要在严格的重量限制下模拟鸟类的综合躯体感觉是极具挑战性的。目前，对于扑翼飞行器的研究虽然取得了一定进展，但在灵活的具身感知方面仍面临诸多困难，尤其是在实际飞行中，如何实现精确的感知并将其应用于飞行控制是亟待解决的问题。本研究旨在借鉴鸟类的感知系统，为扑翼机器人开发一种高效、轻量的具身感知方法，这不仅有助于推动仿生扑翼飞行器技术的发展，还能加深我们对鸟类飞行原理的理解。

二、生物杂交机械感受器的设计与特性

（一）结构设计与材料选择

我们设计的羽毛-PVDF生物杂交机械感受器，灵感来源于鸟类羽毛的结构。鸟类羽毛由羽轴、羽枝、羽小枝和羽小钩组成，我们选取鹅的刀状飞羽，在羽片中段沿羽轴方向粘贴PVDF压电薄膜。PVDF薄膜总厚度为125 μm，具有多层结构，电极层表面均匀分布的微小银粒子保证了良好的导电性。这种设计使得压电材料能够与羽毛紧密贴合，从而有效地感知羽毛的振动和表面负载。

（二）性能测试与分析

1.剥离测试

为评估生物杂交机械感受器的粘附性能，我们进行了剥离测试。将羽毛-PVDF复合材料与常用的飞机机翼结构材料PET和碳纤维进行对比。实验结果表明，PET和碳纤维在剥离过程中呈现明显的锯齿状图案，表明剥离时存在粘附滑移振荡，而羽毛-PVDF的剥离力波动较小，平均剥离力分别为PVDF-PET的1.382N、PVDF-碳纤维的1.162N以及PVDF-羽毛的1.122N，后两者相当。在羽毛-PVDF剥离表面观察到大量粘合剂纤维与羽毛羽枝缠绕，这与PET和碳纤维的光滑连续表面不同，这种结构有助于增强粘附力，类似于壁虎脚垫的微观结构（自然界生物结构中常见的粘附增强方式）。在微米尺度下，羽毛与PVDF的异质界面紧密粘附且通过羽小枝的羽小钩相互锁定。

2.动态疲劳测试

通过动态疲劳测试来检验羽毛-PVDF生物杂交机械感受器的长期性能。在单翼结构前缘添加质量块以增加羽毛变形幅度，在10000次振动测试中，结构输出性能无显著变化，局部信号和频谱分析显示出明显的单周期特征，证明了该机械感受器即使在长时间疲劳测试后仍具有持久的机电转换性能。

3.准静态弯曲实验

考虑到鸟类飞行中翅膀上下挥动时的负载变化，我们进行了准静态弯曲实验。将单羽毛和多羽毛翼结构（羽毛顶部表面纵向附着PVDF薄膜）固定羽毛尖端并保持等力臂，分别进行顺时针和逆时针方向弯曲。实验结果显示，PVDF薄膜增强了羽毛结构的弯曲负载能力，单羽毛在有PVDF时正、负最大扭矩均增大，且向下挥动（负方向）时最大扭矩增强效果更明显，多羽毛翼结构中压电薄膜同样增强了弯曲扭矩，虽相对单羽毛增强效果有所减弱，但仍有利于翅膀负载能力提升。

（三）驱动机制与风洞测试

为实现扑翼运动，我们设计了由齿轮减速单元和直流电机组成的驱动机制。

利用风洞模拟飞行气流条件，对单羽毛和多羽毛翼结构在不同风速（0.5-3m/s）和扑翼频率（1-6Hz）下进行测试，测量PVDF的均方根（RMS）电压。结果表明，风速增加时，单羽毛结构RMS电压先增后减，在2m/s时达到最大值，多羽毛翼结构RMS电压总体呈上升趋势；扑翼频率增加时，两种结构RMS电压均上升，多羽毛翼结构在高频（4-6Hz）时电压增强更显著，在6Hz时其电压接近单羽毛翼的1.5倍，这为生物杂交感知奠定了良好的材料和结构基础。

三、躯体感觉的感知原理与实现

（一）躯体感觉在生物与机器人中的作用

躯体感觉对生物体控制和调节躯干及四肢至关重要，包括触觉和本体感觉反馈。在鸟类和扑翼飞行器中，触觉感知能感知外部压力、振动等，本体感觉提供身体运动和位置信息，二者相互关联共同调节感知系统，这也为机器人感知提供了灵感。羽毛-PVDF生物杂交机械感受器就像飞行物体的感觉神经，通过压电转换为飞行状态监测和运动识别提供反馈，其轻质特性减轻了机载传感器的能量负担。例如，扑翼过程中产生的电能可驱动温度、湿度传感器，还可驱动电子时钟产生时钟信号，未来通过优化扑翼结构和频率提高能量收集效率，有望为微型扑翼飞行器提供更多能源供应可能。

（二）不同飞行参数的感知机制

1.扑翼频率感知

扑翼频率属于本体感觉，其周期性通过翅膀结构传递给机械感受器，在相同扑翼频率下电压波形具有明显周期性，不同频率时生物杂交机械感受器产生的信号幅度不同，与机翼表面力分布一致。

单羽毛扑翼电压频谱中，基频及其谐波显示了羽毛扑翼系统的非线性特征，多羽毛翼结构扑翼时频谱在不同频率下有不同表现，低频时基频和谐波明显且20-80Hz附近有复杂频率成分，高频时基频及其谐波更突出，电压信号主要受扑翼运动影响，羽毛间碰撞振动影响相对减小。

2.风速感知

风速感知涉及触觉传感，气流接触机翼机械感受器产生压力和振动，羽毛上气流诱导电压虽整体幅度小，但不同风速因混合机械感受器的非线性效应产生不同频率和幅度的振动信号，从而实现机翼对来流风速的触觉感知。

固定扑翼频率时，风速增加信号周期不变，基频幅度变化小，谐波成分逐渐减少，高频噪声降低，表明低风速时多羽毛翼结构振动更复杂。

3.俯仰角感知

俯仰角感知也属于触觉传感，不同风俯仰角下气流对机翼的气动力不同，随着俯仰角增加，机翼表面总力-时间曲线逐渐减小，峰-峰值基本不变，升力曲线变化规律相同。在固定频率和风速下，不同俯仰角的电压信号谐波成分和噪声分布不同。

（三）感知算法与实验验证

我们采用卷积神经网络（CNN）和灰狼优化器（GWO）算法对上述电压信号进行回归识别，实现对扑翼频率、风速和俯仰角的感知。训练三个独立的一维CNN网络提取相应压电信号数据特征，用GWO优化网络关键参数，以1秒为最佳输入样本大小平衡识别精度和网络训练复杂度。测试集绝对误差计算结果显示，扑翼频率感知平均绝对误差为0.043Hz，风速感知为0.064m/s，俯仰角感知为0.910°，虽存在个别异常值，但总体平均误差较低，相对误差分布和迭代过程表明训练网络回归拟合精度良好，与固定翼飞行感知误差对比，本研究在速度识别方面表现出色，且使用单个生物杂交传感器降低了传感器复杂性和重量。

为评估训练网络对变频率扑翼运动的感知识别性能，我们进行了变频率扑翼实验，利用Arduino和L298N运动模块控制机翼扑翼频率，采用滑动窗口法采集电压信号。

不同滑动步长采样率对比结果表明，较小步长可提高扑翼频率变化过程中的时间分辨率，降低输出延迟，确保准确实时识别。

对两种频率变化模式的测试和识别值对比显示，数据点集中在斜率为1的黑色虚线附近，平均绝对误差分别为0.0722Hz（正弦模式）和0.0866Hz（阶跃模式），表明训练的CNN对时变频率信号有显著预测效果和良好识别精度。

（四）在仿鸟羽毛扑翼机器人中的应用

基于对生物杂交感知的认识，我们将其应用于仿鸟羽毛扑翼机器人实现具身感知。该机器人由Meta-Bird模型改装，具有完整驱动和控制系统，扑翼频率范围0-9Hz。通过控制机器人油门实现扑翼频率近似线性变化，采集电压时间序列进行深度迁移学习。保留原始CNN部分训练参数，更新全连接层参数得到新神经网络，用于识别新的线性和不规则频率变化信号，结果显示平均误差分别为0.21和0.19，与未经过迁移训练的原始网络相比，平均误差分别为0.31和0.46，表明深度迁移学习可快速微调原始神经网络，适应机器人不同运动特征，实现运动感知功能且无需大量数据重新收集。

此外，鸟类通过改变翅膀形态适应飞行环境，我们制造了椭圆翼、高升力翼和翱翔翼三种翼型并安装在机器人上，利用羽毛碰撞触觉感知实现对翼型的本体感觉感知。通过收集固定扑翼频率下不同翼型的电压信号，提取特征并进行主成分分析，绘制三维特征分布图，发现不同翼型数据特征有明显差异，通过CNN训练对三种翼型分类识别，混淆矩阵显示识别成功率达100%，证明利用碰撞触觉感知可有效实现多羽毛翼结构中翼型的本体感觉感知，为变形翼运动感知提供方法。

（五）实时具身感知测试与飞行测试

在仿鸟羽毛扑翼机器人上进行实时具身感知测试，包括扑翼频率、风速、俯仰角和翼型四个关键飞行参数，每个参数分为三类。机器人配备羽毛-PVDF生物杂交感知器，固定安装后采集1秒运动数据并输入预训练CNN进行识别，识别结果在界面可视化，四个参数识别准确率均达100%，进一步说明生物杂交结构可实现扑翼机器人多感官感知，触摸和本体感觉的同源感知为机器人多感官集成设计提供范例。

为验证生物杂交具身感知方法在实际飞行中的可行性，我们制作了能无绳飞行的羽毛扑翼飞行器，总质量28.465g，PVDF薄膜仅占总质量0.79%，数据采集和无线传输模块占5.15%，大部分质量在机身。通过运动捕捉系统校准飞行器飞行参数（如相对流速、俯仰角、扑翼频率），利用无线传输获取压电信号和运动捕捉数据组成训练集训练CNN网络，用独立室内飞行数据验证模型，结果显示扑翼频率识别平均绝对误差为0.149Hz，速度识别为0.137m/s，俯仰角识别为2.360°，扑翼频率和速度识别结果一致性高，俯仰角误差相对稍大，可能因飞行中俯仰角小波动使气流变化难以辨别，以及飞行器运动中多种运动耦合导致评估难度增加。同时进行室外飞行测试，将室内建立的CNN模型应用于室外飞行参数识别，实际飞行测试证明了羽毛-PVDF具身感知方法的有效性，有助于微型扑翼飞行器飞行状态监测和反射控制，为机器人具身感知发展提供更广阔思路。

四、研究结论与展望

本研究提出了一种受鸟类启发的生物杂交具身感知方法，将自然羽毛与柔性压电薄膜相结合，应用于羽毛扑翼机器人。通过对羽毛-PVDF生物杂交机械感受器的深入研究，验证了其在不同性能测试中的优异表现，实现了对扑翼频率、风速、俯仰角和翼型等飞行参数的高精度感知，且在实际飞行测试中证明了该方法的可行性。

生物杂交感知不仅可用于扑翼机器人，还可应用于监测真实鸟类行为，为鸟类研究提供新方法，符合仿生机器人设计原则，为扑翼机器人智能设计提供思路。未来，要将该感知功能实际集成到反射控制中，还需进行大量飞行测试，开发更轻量的数据采集、传输系统和响应多功能执行器，同时需要更高效稳定的智能算法，以推动自主机器人系统在传感、决策、响应和能源等方面实现多功能和智能化集成。

五、一起来做做题吧

1、在羽毛 - PVDF 生物杂交机械感受器的设计中，PVDF 薄膜粘贴在羽毛的哪个部位？（ ）

A. 羽枝上

B. 羽小枝上

C. 羽轴方向的羽片中段

D. 羽毛根部

2、在剥离测试中，羽毛 - PVDF 复合材料与 PET、碳纤维相比，其剥离力曲线的特点是（ ）

A. 波动较大，呈现明显锯齿状

B. 波动较小，相对较为稳定

C. 剥离力始终大于 PET 和碳纤维

D. 剥离力始终小于 PET 和碳纤维

3、对于扑翼频率的感知，以下说法正确的是（ ）

A. 扑翼频率不同时，生物杂交机械感受器产生的信号幅度相同

B. 单羽毛扑翼电压频谱中只有基频，没有谐波

C. 多羽毛翼结构扑翼时，低频和高频下电压信号的主要影响因素不同

D. 扑翼频率的感知与机翼表面力分布无关

4、在训练卷积神经网络（CNN）时，为平衡识别精度与网络训练复杂度，选择的输入样本大小是（ ）

A. 0.5 秒

B. 1 秒

C. 2 秒

D. 5 秒

5、在仿鸟羽毛扑翼机器人的实验中，深度迁移学习对实现运动感知功能的作用是（ ）

A. 需要大量不同条件下的数据收集来重新训练网络

B. 可快速微调原始神经网络，适应机器人不同运动特征，且无需大量数据重新收集

C. 只能识别特定频率变化模式的运动信号

D. 对提高识别准确率没有帮助

6、在羽毛扑翼飞行器的飞行测试中，俯仰角识别误差相对较大的原因可能是（ ）

A. 飞行中俯仰角波动大，导致气流变化容易辨别

B. 飞行器运动中只有俯仰角运动，其他运动不影响

C. 飞行中俯仰角小波动使气流变化难以辨别，且多种运动耦合增加评估难度

D. 数据采集设备对俯仰角数据采集不准确

参考文献：

Li Q, et al. Avian-inspired embodied perception in biohybrid flapping-wing robotics. Nat Commun. 2024 Oct 22;15(1):9099.