利用形態學相似性的機器人動力學模型高效遷移學習
該研究提出一種基於神經網路的遷移學習框架，用於軟體鰭驅動水下機器人的動力學建模。透過自動編碼器域自適應方法，將大型機器人（源域）上訓練的模型適配到小型機器人（目標域），無需標註資料即可實現精確的體座標系速度狀態估計，展示了在形態相似平臺間高效跨機器人動力學遷移的潛力。
近日，一篇發表在arXiv上的研究（arXiv:2607.05665）提出了一種新穎的神經網路遷移學習框架，用於軟體、鰭驅動水下機器人的動力學建模。該研究重點關注形態相似但尺度和水動力學特性不同的機器人，旨在實現從大型機器人（源域）到小型機器人（目標域）的高效動力學模型遷移。
研究人員開發了一種基於自動編碼器的域自適應方法，透過學習一個共享的潛在表示來對齊兩個機器人的動力學特性，從而在目標域僅有少量標註資料的情況下實現標籤高效遷移。實驗中，團隊在兩臺真實水下機器人上進行了驗證：首先在一臺較大機器人上收集資料訓練模型，然後直接應用於較小的平臺，無需任何額外的標註資料。結果表明，該方法能夠準確估計目標機器人的體座標系速度，展現了在形態相似的機器人平臺之間進行高效動力學遷移的廣闊前景。
該研究不僅解決了軟體機器人動力學建模中資料稀缺的問題，還為未來多機器人協同作業、快速部署等應用提供了理論基礎。論文已被2026年第12屆控制、決策與資訊科技國際會議（CoDIT）接收。該工作的潛在應用包括水下勘探、環境監測以及災難響應等領域，其中需要快速部署不同尺寸的機器人團隊。遷移學習框架使得在大型機器人上預先訓練的模型可以直接用於小型機器人，大大降低了資料收集和訓練成本。此外，自動編碼器方法不依賴於目標域的任何標註資料，這對於標註成本高昂的實際場景尤為重要。研究團隊還計劃進一步探索該方法在不同形態機器人之間的遷移，以及擴充套件到更復雜的動力學任務。