⚡ electrical engineering

Trajectory tracking of bionic fish based on a complex-valued central pattern generation network

Este artículo presenta un sistema robusto de seguimiento de trayectoria para un robot pez biónico que integra una red de generador de patrones centrales de valores complejos, impulsada por retroalimentación de giroscopio para controlar las aletas y la cola, con un controlador de posición basado en control predictivo de modelo bajo un modelo de dinámica de Featherstone extendido para navegar eficazmente trayectorias rectas y circulares a pesar de las perturbaciones externas.

Autores originales: Yong Zhang, Beibei Zhang, Yi Ding, Beiping Hou

Publicado 2026-08-19

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yong Zhang, Beibei Zhang, Yi Ding, Beiping Hou

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el fluido y cambiante mundo de la navegación submarina, los robots se enfrentan a un desafío que durante mucho tiempo ha desconcertado a los ingenieros: cómo moverse con la gracia y la resiliencia de un ser vivo. A diferencia de un submarino que depende de hélices rígidas y timones fijos, un pez nada coordinando la ondulación rítmica de su cuerpo y sus aletas, un movimiento controlado por un generador de ritmo biológico que le permite adaptarse instantáneamente a las corrientes y los obstáculos. Este ritmo biológico, conocido en la ciencia como generador de patrones centrales, actúa como un reloj interno para el movimiento, produciendo las señales repetitivas necesarias para impulsar los músculos sin requerir un pensamiento consciente constante. Durante décadas, los investigadores han intentado copiar este sistema en máquinas, con la esperanza de construir robots que puedan navegar por aguas turbulentas con la misma facilidad que un atún o una carpa. El objetivo no es solo imitar la forma de un pez, sino replicar la inteligencia neural que le permite mantener el equilibrio y seguir una trayectoria incluso cuando el agua empuja en contra.

Un equipo de investigadores de la Universidad de Ciencia y Tecnología de Zhejiang ha dado un paso significativo hacia este objetivo mediante el diseño de un nuevo sistema de control para un pez robótico al que llaman BF-1. Su enfoque combina un sofisticado modelo matemático del movimiento físico del robot con una red neuronal que imita el ritmo interno del pez. El núcleo de su innovación es una red de "valor complejo", un tipo de cerebro digital que puede procesar información de una manera que permite ajustes más flexibles que los sistemas tradicionales. En lugar de simplemente reaccionar a las perturbaciones, este sistema las anticipa utilizando señales de los giroscopios —sensores que miden cómo el robot se inclina y gira— para ajustar instantáneamente el tiempo y la fuerza de los movimientos de la cola y las aletas. Al integrar este control rítmico con un algoritmo predictivo que calcula constantemente la posición del robot, los investigadores crearon un sistema que puede mantener al robot en su curso incluso cuando el agua se vuelve agitada.

El propio robot, el BF-1, es una máquina elegante con una carcasa de plástico, una cabina estanca que alberga su electrónica y una cola biomimética impulsada por un motor impermeable. También cuenta con dos aletas pectorales en sus costados, que trabajan en conjunto con la cola para dirigir y estabilizar. Los investigadores probaron su sistema en un entorno acuático exterior, sometiendo al robot a dos condiciones distintas: agua calma y constante, y agua turbulenta y perturbada. En las condiciones de calma, el robot se movió suavemente a lo largo de una línea recta, con su cola y sus aletas oscilando en un ritmo constante y coordinado. Sin embargo, la verdadera prueba llegó cuando el flujo de agua se volvió repentinamente turbulento, haciendo que el robot se inclinara y se desviara de su curso. En estos momentos, los giroscopios detectaron el cambio de ángulo e inmediatamente enviaron señales al generador de patrones centrales. El sistema respondió alterando la fase y la amplitud de las señales que impulsan la cola y las aletas, restableciendo efectivamente el ritmo del robot para contrarrestar la fuerza del agua.

Los resultados de estos experimentos demostraron que el nuevo sistema de control funcionó eficazmente. Cuando el flujo de agua cambió de suave a turbulento en la marca de los cinco segundos del experimento, los ángulos del cuerpo del robot se desplazaron inicialmente, pero el sistema de control corrigió rápidamente la desviación. El robot pudo volver a un estado estable y continuar siguiendo su trayectoria recta prevista sin perder el rumbo. Los investigadores observaron que las aletas pectorales izquierda y derecha se movieron de manera sincronizada para mantener el equilibrio, mientras que la cola ajustaba su potencia para empujar contra la corriente. Esta coordinación permitió al robot seguir una línea recta con alta precisión, incluso mientras el agua empujaba contra él. El sistema no solo reaccionó a la perturbación; utilizó un modelo predictivo para estimar la posición futura del robot y ajustar su velocidad y dirección de forma proactiva, asegurando que el error de seguimiento se mantuviera mínimo.

Para probar más a fondo la versatilidad de su diseño, el equipo también guio al robot a través de una trayectoria circular bajo condiciones turbulentas similares. Realizar un círculo requiere un tipo diferente de coordinación, donde la cola debe generar la potencia para rotar el cuerpo mientras las aletas se ajustan para que el giro sea suave. La red de valor complejo gestionó esto con éxito ajustando el retraso de fase entre las diferentes articulaciones, permitiendo que el robot girara y siguiera la trayectoria circular. Incluso cuando el flujo de agua interfirió con el movimiento del robot, causando que se inclinara, el sistema compensó ajustando la frecuencia y la fuerza de los movimientos de las aletas. El robot mantuvo su trayectoria circular, demostrando que el sistema de control podía manejar no solo el seguimiento de líneas rectas, sino también maniobras complejas en un entorno dinámico.

Los investigadores enfatizan que su éxito se basa en la combinación específica del generador de patrones centrales rítmicos y el controlador de posición predictivo. Los métodos de control tradicionales, como los basados en bucles de retroalimentación simples, a menudo tienen dificultades cuando el agua se vuelve demasiado turbulenta, lo que conduce a movimientos inestables o a un fallo en la convergencia hacia la trayectoria deseada. Por el contrario, este nuevo sistema utiliza un modelo dinámico de la física del robot para estimar perturbaciones desconocidas y retroalimentar esa información al bucle de control. Esto permite que el robot mantenga un rendimiento robusto, adaptando su ritmo interno al entorno externo en tiempo real. El estudio concluye que este enfoque ofrece una forma estable y precisa de navegar en robots peces biomiméticos, demostrando que pueden seguir moviéndose en su dirección original incluso cuando se enfrentan a perturbaciones significativas del flujo de agua. Aunque los experimentos actuales se centraron en el movimiento superficial, los investigadores señalan que el trabajo futuro deberá abordar los desafíos de las inmersiones más profundas, donde la dinámica del agua y el comportamiento del robot pueden cambiar aún más. Por ahora, sin embargo, el trabajo demuestra un camino claro hacia robots que puedan nadar con la adaptabilidad y la resiliencia de sus contrapartes biológicas.

Resumen Técnico: Seguimiento de Trayectoria de un Pez Biónico Basado en una Red de Generación de Patrones Centrales de Valores Complejos

Declaración del Problema
El control de robots peces biónicos en entornos acuáticos presenta desafíos significativos debido a la flexibilidad y el acoplamiento de sus estructuras, así como a la presencia de perturbaciones externas desconocidas, como el flujo de agua. Los métodos de control tradicionales, incluyendo los algoritmos PID estándar y el Control Predictivo basado en Modelo (MPC) básico, a menudo tienen dificultades con la estabilidad y la convergencia cuando se enfrentan a corrientes de agua dinámicas. Específamente, la retroalimentación del MPC tradicional puede ser lenta para converger ante perturbaciones desconocidas, y el modelado dinámico utilizando fórmulas de Lagrange suele sufrir de una baja eficiencia computacional debido a las restricciones algebraicas en la matriz de inercia. El desafío central abordado en este trabajo es lograr un seguimiento de trayectoria estable (tanto rectilínea como circular) para un robot pez biónico, manteniendo el equilibrio y adaptándose a las perturbaciones externas en tiempo real.

Metodología
Los autores proponen un novedoso sistema de control de seguimiento de trayectoria para un robot pez biónico (designado como BF-1) que integra tres componentes primarios: una red de Generación de Patrones Centrales de Valores Complejos (CG-CPG), un controlador de posición basado en Control Predictivo basado en Modelo (MPC) y un modelo de dinámica de Featherstone extendido.

Diseño del Robot (BF-1): El prototipo presenta un cuerpo cilíndrico con una cola biónica y aletas pectorales izquierda y derecha, impulsadas por servomotores impermeables. Utiliza un giroscopio para medir los ángulos del cuerpo en los ejes Y y Z, los cuales sirven como retroalimentación para el sistema de control.
Red de CPG de Valores Complejos (CG-CPG):
- A diferencia de los CPG tradicionales de valores reales, este sistema emplea parámetros mutuos de valores complejos para generar señales periódicas con amplitud y frecuencia ajustables.
- Mecanismo de Retroalimentación: Las señales del giroscopio en el eje Z estimulan los parámetros mutuos para controlar el giro de la cola, mientras que las señales del eje Y actúan como retroalimentación para ajustar las unidades CPG que controlan las aletas pectorales para el equilibrio.
- Función: La red genera señales rítmicas para la cola y las aletas, permitiendo el restablecimiento de fase y la generación de ciclos límite estables en respuesta a estímulos externos.
Controlador de Posición (MPC):
- Para mejorar la robustez y reducir los errores de seguimiento, se emplea un algoritmo MPC.
- Este controlador calcula la velocidad deseada y los incrementos de velocidad ( $\Delta v$ ) para proporcionar una referencia de velocidad suave y variable a la red CG-CPG.
- Minimiza una función de costo que involucra matrices de ponderación ( $Q, R, P$ ) para predecir y corregir las desviaciones de la trayectoria.
Modelo de Dinámica de Featherstone:
- Para manejar la complejidad computacional de la dinámica inversa en tiempo real, los autores utilizan el algoritmo de cuerpo articulado de Featherstone.
- Este enfoque modela al robot como una estructura de árbol jerárquica de cuerpos rígidos, calculando eficientemente las aceleraciones de las articulaciones y las características dinámicas.
- El modelo estima las perturbaciones desconocidas y retroalimenta la posición real y las características dinámicas al controlador de posición, asegurando que el sistema converja a los valores de referencia.

Contribuciones Clave

Arquitectura de CPG de Valores Complejos: La introducción de parámetros mutuos de valores complejos permite un control más flexible de la fase, la amplitud y las diferencias de frecuencia en comparación con los CPG de valores reales, facilitando una rápida adaptación a las perturbaciones del flujo de agua.
Marco de Control Integrado: El artículo presenta un sistema unificado donde la red CG-CPG gestiona la generación de la marcha de bajo nivel y el equilibrio, el controlador de posición MPC gestiona el seguimiento de la trayectoria de alto nivel y la reducción de errores, y el modelo de Featherstone proporciona una retroalimentación dinámica eficiente.
Rechazo de Perturbaciones: El sistema está diseñado específicamente para mantener la estabilidad y el seguimiento de la trayectoria bajo perturbaciones externas (por ejemplo, flujo de agua turbulento) mediante el uso de la retroalimentación del giroscopio para restablecer las fases de la CPG y ajustar las salidas de los actuadores.

Resultados Experimentales
Los experimentos se realizaron en el robot BF-1 en un entorno acuático exterior con perturbaciones de flujo controladas. El estudio evaluó el desempeño en dos tipos de trayectoria:

Seguimiento de Trayectoria Rectilínea: Durante periodos de agua tranquila seguidos de un flujo turbulento (comenzando a los 5 segundos), el sistema mantuvo con éxito una trayectoria recta. Cuando las perturbaciones causaron desviaciones en el ángulo del cuerpo en los ejes Y y Z, la red CG-CPG ajustó las amplitudes y frecuencias de la cola y las aletas pectorales. El robot regresó rápidamente a un estado estable y continuó moviéndose hacia adelante a lo largo de la línea de referencia.
Seguimiento de Trayectoria Circular: El robot rastreó con éxito una trayectoria circular bajo interferencia de flujo de agua. La red CG-CPG coordinó la cola (para la potencia de giro) y las aletas pectorales (para el equilibrio) para seguir el círculo de referencia. A pesar de la inclinación del cuerpo causada por las corrientes, el robot mantuvo la trayectoria circular.

En ambos escenarios, la integración del modelo de dinámica de Featherstone permitió el cálculo rápido de la aceleración del cuerpo y la retroalimentación de la posición, permitiendo al controlador de posición ajustar los parámetros de la CG-CPG de manera efectiva.

Significancia y Reivindicaciones
Los autores afirman que el sistema de control propuesto mejora efectivamente la adaptabilidad de los robots peces biónicos para tareas de seguimiento de trayectoria en entornos perturbados. El estudio demuestra que:

La combinación de una red CPG de valores complejos con un controlador de posición basado en MPC ofrece una robustez superior en comparación con los métodos tradicionales.
El modelo de dinámica de Featherstone extendido logra converger las características dinámicas del robot a los valores de referencia y proporciona la retroalimentación necesaria para el controlador.
El sistema permite que el pez biónico mantenga su dirección original durante las perturbaciones del flujo de agua y ejecute con éxito maniobras complejas como el seguimiento circular mediante la coordinación de las aletas y la cola.

El artículo concluye que este enfoque valida la efectividad del rendimiento de seguimiento bajo perturbaciones externas, aunque señala que el trabajo futuro deberá abordar escenarios que involucren inmersiones profundas donde las leyes de control auxiliares podrían fallar.

Más como este