东京科学研究所研发蜂鸟机器人 检测风向正确率达99%！

自然界中的飞行生物，如昆虫和鸟类，其翅膀上拥有多种应变感受器，这些感受器被认为在飞行控制中起着重要作用。尽管这些应变感受器能够精确且快速地编码环境信息，但其具体的信息处理机制和功能在很大程度上仍然未知。在工程领域，受飞行生物启发的微型扑翼飞行器（MAV）得到了广泛研究，尤其是在实现类似蜂鸟、天蛾和蜜蜂的悬停能力方面，仍是一个巨大的挑战。

近日东京科学研究所的研究人员在副教授 Hiroto Tanaka 的带领下，研究了在蜂鸟模仿柔性机翼上使用应变传感器的情况，开发了一种使用扑翼上的七个应变计和卷积神经网络模型以99%的准确率检测风向的方法。该论文已在《Advanced Intelligent Systems 》上发表。

▍自然界中动物的毛发可作为作为应变感受器：

多种飞行昆虫和鸟类，如天蛾（Manduca sexta）、蜻蜓（Perithemis tenera和Argia apicalis）、果蝇（Drosophila melanogaster）、蝗虫（Melanoplus sanguinipes）和绿蚱蜢（Cicadella viridis）等，在其翅膀的翼脉和根部附近拥有应变感受器。这些感受器能够检测翅膀的微小变形，从而迅速识别周围环境的变化。例如，Webber等人的计算模拟表明，通过五个不同位置的应变数据，可以检测到身体的旋转。

对于鸟类，如白来航鸡（Gallus domesticus），其羽毛毛囊附近的应变感受器被认为能够检测风向。对于飞行哺乳动物，如大棕蝠（Eptesicus fuscus）和短尾果蝠（Carollia perspicillata），去除翅膀膜上的毛发会导致飞行速度和转弯半径的增加，这表明毛发可能作为应变感受器起作用。

▍工程领域的微型扑翼飞行器研究尚属空白：

受飞行生物启发的微型扑翼飞行器在近年来得到了广泛研究。然而，实现类似自然生物的悬停能力仍然是一个难题。此外，在翅膀上安装传感器的研究相对较少。

Hiroto Tanaka研究团队在商业扑翼玩具飞机上集成了三个柔性应变传感器，并成功使用物理水库计算方法对五种不同的风向进行了高精度分类。

▍实验设计详细解析：

实验采用了仿照蜂鸟设计的电动扑动机制，该机制能够模拟悬停飞行。扑动机构通过直流电机驱动，利用曲柄摇杆机构实现单自由度扑动，扑动幅度为158°（即±79°），扑动频率调整为约12Hz。这种设计能够确保扑翼机器人在实验过程中保持稳定的扑动模式，从而获取可靠的应变数据。

仿生翼形由3D打印的框架和12.5μm厚的聚酰亚胺薄膜组成，框架的设计模仿了蜂鸟的臂和手骨结构，而径向部分则模仿了飞行羽毛的轴。此外，为了研究翼轴结构对风速分类性能的影响，还设计了无内部翼轴的翼形作为对照。这种设计使得实验能够直接对比不同翼形结构对应变数据的影响，进而评估其对风速分类精度的贡献。

实验选择了七个商业应变片，它们被手动粘贴在仿生翼形的薄膜侧。应变片的安装位置经过反复计算，在捕捉翼形扑动过程中产生的不同应变模式。具体来看，三个不同设计的翼形被用于实验：

Wing A：两个应变片安装在翼形基部的薄膜侧，五个应变片安装在翼轴与翼尖之间三分之二位置处的薄膜侧。这种设计用于确定用于风速分类的有效应变。

Wing B：应变片安装在无内部翼轴的翼形上，位置与Wing A相同。通过对比Wing A和Wing B的结果，可以明确内部翼轴对风速分类性能的影响。

Wing A-2：为了研究翼轴内应变传感器位置的影响，在Wing A-2的三个翼轴上，每个轴的中部和靠近翼尖的位置各安装了两个应变片。

实验在风洞中进行，以模拟稳定的均匀流场。风洞测量段的尺寸为长915mm、宽500mm、高500mm。扑动机制安装在一个位于测量段中间的20mm直径金属垂直杆上，该杆穿过地板上的一个孔并固定在一个电动旋转台上，以便通过旋转改变水平流向与机制之间的相对角度。

实验考虑了八种风速条件，包括无风条件和相对流向为0°（正面风）、15°、30°、45°、60°、75°和90°（侧面风）的情况。所有有风条件的风速均设定为0.8m/s，这一速度在风洞中属于稳定流速的下限，同时也在Beaufort风速等级中的“轻风”范围内（0.514–1.543m/s）。

▍数据采集与处理方法：

在实验过程中，应变片的引线通过翼形连接器上的孔连接到数据记录器。为了减小引线张力对翼形变形的影响，引线被多次弯曲。数据记录器以10kHz的采样率记录输出电压，该电压通过桥式电路盒放大应变片电阻的变化。同时，编码器的输出信号也通过微控制器同步记录到数据记录器中，以便计算扑动相位。

采集到的时间序列数据通过数据记录器内置的低通滤波器进行滤波处理，截止频率为2kHz。对于每种风速条件，进行三次测量，每次测量的记录时间为10秒。在每次测量之前，都会在无风或无扑动的情况下将应变数据初始化为零。

▍数据分割与模型训练方法：

为了评估不同长度的数据段对风速分类精度的影响，实验将采集到的时间序列应变和相位数据分割成长度为T（一个扑动周期）或0.2T的数据段。对于每种风速条件，使用长度为T的数据段可以获得720个应变和相位数据集，而使用长度为0.2T的数据段则可以获得3,612个数据集。

这些数据集被随机分为训练数据（64%）、验证数据（16%）和测试数据（20%）。然后，使用这些数据集对卷积神经网络（CNN）模型进行监督学习。CNN模型通过多个卷积层、激活层（使用ReLU函数）、归一化层和丢弃层（丢弃率为50%）提取应变数据的特征，并通过全连接层和softmax激活函数输出风速分类结果。

在模型训练过程中，使用Adam优化器最小化稀疏分类交叉熵损失函数，批量大小设置为100。训练过程涉及多次迭代，迭代次数根据使用的应变片数量和数据段长度而有所不同。在训练过程中，监测验证数据的分类准确率，选择准确率最高的模型用于评估测试数据。

▍实验结果与分析：

实验结果显示，当使用单个应变计且分割长度为T时，分类准确率高达95.2%至98.8%，而分割长度为0.2T时，准确率降至52.8%至65.6%。这表明，在分割长度为一个扑翼周期时，通过翅膀框架上的单点应变感测可以实现高精度的风速分类。

在所有应变计中，位于近端翅膀轴（S1）的应变计无论分割长度如何，都表现出最高的准确率（99.4%和65.6%分别对应T和0.2T）。使用所有应变计可以进一步提高分类准确率，特别是在分割长度为0.2T时，准确率提升至85.2%。这表明，在较短的数据分割长度下，多个应变感测点沿翅膀框架是有效的。

与具有内部翅膀轴的Wing A相比，去除内部翅膀轴的Wing B在分类准确率上略有下降。使用单个应变计时，内部翅膀轴平均提高了7.2%（T分割长度）和6%（0.2T分割长度）的分类准确率。使用所有应变计时，改进分别为0.5%和4.4%。这表明，仿生设计的翅膀结构通过感应沿翅膀框架的应变，有助于风速分类。

在Wing A-2中，选择了两个近端翅膀轴和前端轴进行应变感测。结果显示，位于翅膀轴中部的应变计（SMi）比位于末端的应变计（STi）更准确，特别是在0.2T分割长度下，平均差异为8.8%。然而，同时使用中部和末端的应变计可以进一步提高分类准确率。这表明，在翅膀轴的中部和末端组合应变感测可以增强风速分类性能。

加入扑翼相位信息后，当使用单个应变计且分割长度为0.2T时，分类准确率有所提高（例如，S1的准确率为69.7%与65.6%无相位信息相比）。然而，在其他情况下，相位信息对分类准确率的影响不大。这表明，相位信息可能已嵌入在多个感测点或足够长的应变数据中。

▍结语与未来：

本研究通过实验探讨了仿生柔性翅膀结构在基于卷积神经网络的风速分类中的应用。实验结果显示，使用单个应变计和一个扑翼周期的数据分割长度时，可以实现高精度的风速分类。仿生设计的翅膀结构通过感应沿翅膀框架的应变，有助于提高分类准确率。

此外，在翅膀轴的中部和末端组合应变感测可以进一步增强风速分类性能。尽管扑翼相位信息对分类准确率的影响不大，但未来研究可以进一步探索其在更复杂环境下的应用潜力。该研究为微型飞行器的环境感知和飞行控制提供了新的思路和方法，具有重要的科学意义和应用价值。

论文地址：

https://onlinelibrary.wiley.com/doi/10.1002/aisy.202400473