利用形态学相似性的机器人动力学模型高效迁移学习
该研究提出一种基于神经网络的迁移学习框架，用于软体鳍驱动水下机器人的动力学建模。通过自动编码器域自适应方法，将大型机器人（源域）上训练的模型适配到小型机器人（目标域），无需标注数据即可实现精确的体坐标系速度状态估计，展示了在形态相似平台间高效跨机器人动力学迁移的潜力。
近日，一篇发表在arXiv上的研究（arXiv:2607.05665）提出了一种新颖的神经网络迁移学习框架，用于软体、鳍驱动水下机器人的动力学建模。该研究重点关注形态相似但尺度和水动力学特性不同的机器人，旨在实现从大型机器人（源域）到小型机器人（目标域）的高效动力学模型迁移。
研究人员开发了一种基于自动编码器的域自适应方法，通过学习一个共享的潜在表示来对齐两个机器人的动力学特性，从而在目标域仅有少量标注数据的情况下实现标签高效迁移。实验中，团队在两台真实水下机器人上进行了验证：首先在一台较大机器人上收集数据训练模型，然后直接应用于较小的平台，无需任何额外的标注数据。结果表明，该方法能够准确估计目标机器人的体坐标系速度，展现了在形态相似的机器人平台之间进行高效动力学迁移的广阔前景。
该研究不仅解决了软体机器人动力学建模中数据稀缺的问题，还为未来多机器人协同作业、快速部署等应用提供了理论基础。论文已被2026年第12届控制、决策与信息技术国际会议（CoDIT）接收。该工作的潜在应用包括水下勘探、环境监测以及灾难响应等领域，其中需要快速部署不同尺寸的机器人团队。迁移学习框架使得在大型机器人上预先训练的模型可以直接用于小型机器人，大大降低了数据收集和训练成本。此外，自动编码器方法不依赖于目标域的任何标注数据，这对于标注成本高昂的实际场景尤为重要。研究团队还计划进一步探索该方法在不同形态机器人之间的迁移，以及扩展到更复杂的动力学任务。