Learn to Swim: Data-Driven LSTM Hydrodynamic Model for Quadruped Robot Gait Optimization

📄 arXiv: 2505.03146v1 📥 PDF

作者: Fei Han, Pengming Guo, Hao Chen, Weikun Li, Jingbo Ren, Naijun Liu, Ning Yang, Dixia Fan

分类: cs.RO, cs.LG

发布日期: 2025-05-06

备注: This work has been accepted for publication in the IEEE International Conference on Robotics and Automation (ICRA) 2025. The final version will be available in IEEE Xplore (DOI to be assigned upon publication)

DOI: 10.1109/ICRA55743.2025.11128080

💡 一句话要点

提出基于数据驱动LSTM的水动力学模型，用于水下四足机器人步态优化

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 水下机器人 步态优化 LSTM网络 水动力学建模 数据驱动模型

📋 核心要点

  1. 现有方法难以准确预测水下四足机器人运动时复杂的非定常、非线性水动力，限制了步态优化。
  2. 利用LSTM网络学习流体实验数据，构建数据驱动的水动力学模型，精确预测机器人受到的水动力。
  3. 实验表明，FED-LSTM模型在直线游泳和转弯步态优化中均优于传统经验公式，提高了运动性能。

📝 摘要（中文）

本文提出了一种基于长短期记忆网络(LSTM)的流体实验数据驱动模型(FED-LSTM)，用于预测我们构建的水下四足机器人上的非定常、非线性水动力。FED-LSTM模型通过在循环水箱和拖曳水池中进行的腿部力和身体阻力实验数据进行训练，其性能优于常用于预测平面表面流动的传统经验公式(EF)。该模型在捕捉复杂流体动力学方面表现出卓越的精度和适应性，尤其是在通过NSGA-II算法进行直线和转弯步态优化时。FED-LSTM降低了直线游泳期间的偏转误差，并在不增加转弯半径的情况下缩短了转弯时间。硬件实验进一步验证了该模型相对于EF的精度和稳定性。该方法为提高腿式机器人的游泳性能提供了一个强大的框架，为水下机器人运动的未来发展奠定了基础。

🔬 方法详解

问题定义：水下四足机器人在运动过程中，受到复杂的水动力影响，这些水动力是非定常、非线性的，难以用传统的经验公式准确建模。现有方法预测精度不足，导致步态优化效果不佳，影响了机器人的运动性能。

核心思路：利用LSTM网络强大的时序数据建模能力，直接从流体实验数据中学习水动力学规律。通过实验获取机器人腿部力和身体阻力数据，训练LSTM网络，使其能够预测不同运动状态下的水动力。这种数据驱动的方法避免了复杂的流体动力学建模过程，能够更准确地捕捉复杂的水动力特性。

技术框架：该方法的核心是FED-LSTM模型，整体流程包括：1) 在循环水箱和拖曳水池中进行腿部力和身体阻力实验，获取训练数据；2) 使用实验数据训练LSTM网络，构建FED-LSTM模型；3) 将FED-LSTM模型集成到NSGA-II优化算法中，用于步态优化；4) 在水下四足机器人上进行硬件实验，验证优化后的步态性能。

关键创新：该方法最重要的创新点在于使用数据驱动的LSTM网络来建模水动力。与传统的基于经验公式的方法相比，FED-LSTM能够更准确地捕捉复杂的水动力特性，无需进行复杂的流体动力学建模。此外，该方法将FED-LSTM模型与NSGA-II优化算法相结合，实现了步态的自动优化。

关键设计：LSTM网络的具体结构（层数、神经元数量等）需要根据实验数据进行调整。损失函数的设计需要考虑预测精度和稳定性。NSGA-II优化算法的参数设置（种群大小、交叉概率、变异概率等）也会影响步态优化的效果。此外，实验数据的质量和数量对FED-LSTM模型的性能至关重要。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FED-LSTM模型在直线游泳中能够显著降低偏转误差，在转弯步态优化中能够缩短转弯时间，且不增加转弯半径。与传统的经验公式相比，FED-LSTM模型在预测精度和稳定性方面均有明显提升。硬件实验验证了优化后的步态在水下四足机器人上的有效性，证明了该方法的实用价值。

🎯 应用场景

该研究成果可应用于水下机器人、水下航行器等领域，提高其运动性能和控制精度。例如，可以用于优化水下机器人的游泳速度、转弯能力和稳定性，使其能够更好地完成水下搜索、勘探和作业等任务。此外，该方法还可以推广到其他流体环境下的机器人运动控制，具有广泛的应用前景。

📄 摘要（原文）

This paper presents a Long Short-Term Memory network-based Fluid Experiment Data-Driven model (FED-LSTM) for predicting unsteady, nonlinear hydrodynamic forces on the underwater quadruped robot we constructed. Trained on experimental data from leg force and body drag tests conducted in both a recirculating water tank and a towing tank, FED-LSTM outperforms traditional Empirical Formulas (EF) commonly used for flow prediction over flat surfaces. The model demonstrates superior accuracy and adaptability in capturing complex fluid dynamics, particularly in straight-line and turning-gait optimizations via the NSGA-II algorithm. FED-LSTM reduces deflection errors during straight-line swimming and improves turn times without increasing the turning radius. Hardware experiments further validate the model's precision and stability over EF. This approach provides a robust framework for enhancing the swimming performance of legged robots, laying the groundwork for future advances in underwater robotic locomotion.