Simple Models Real Swimming Digital Twins for Tendon Driven Underwater Robots

Title: Simple Models, Real Swimming: Digital Twins for Tendon-Driven Underwater Robots
Authors: Mike Y. Michelis, Nana Obayashi, Josie Hughes, Robert K. Katzschmann
arXiv: https://arxiv.org/abs/2602.23283

Problem framing

软体水下机器人的核心瓶颈不是“会不会控制”，而是“能否在可计算的数字孪生里学到可迁移控制”。传统流固耦合建模虽精确但太慢，难以支撑 RL/策略搜索；过于粗糙的模型又无法对齐真实游动动力学。本文要解决的是：在极简流体模型下，是否仍能获得足够真实的控制学习环境。

Core method

作者构建 tendon-driven fish robot 的 MuJoCo 数字孪生，关键在于：

• 使用无状态（stateless）流体动力学近似，避免高成本 CFD；
• 仅用两段真实游动轨迹，辨识 5 个流体参数；
• 在辨识后测试跨频率泛化与控制优化可行性。

该路线强调“低建模成本 + 可泛化校准”，非常适合资源受限但需要快速策略迭代的软体机器人项目。

Key equations and mechanisms

机制可写成简化辨识-控制闭环：

1. 参数辨识目标

$${\theta }^{\ast }=\arg \underset{\theta }{\min }\sum _t\Vert x_t^{\text{sim}}(\theta )-x_t^{\text{real}}{\Vert }_2^2$$

其中 $\theta$ 为 5 个流体参数。

2. 简化流体力模型（抽象）

$$F_{\text{hydro}}=f(v,\dot{q};\theta )$$

以速度/形变导数驱动阻力与推进近似，而不显式求解全流场。

3. 控制优化目标

$${\pi }^{\ast }=\arg \underset{\pi }{\max }\mathbb{E}\left[\sum _{t}r(x_t,u_t)\right]$$

在校准后的孪生环境中学习频率与驱动策略并迁移到真实鱼体。

Experiment reading guide

• 先看系统辨识段：两段真实轨迹是否足够约束参数；
• 再看泛化段：未见频率下轨迹、速度、姿态误差；
• 最后看对比基线：与经典解析/经验模型相比的拟合误差与控制收益。

Limitations

• 目前验证对象是特定 tendon-driven fish 结构，跨形态泛化仍待检验。
• 无状态流体近似在强涡脱落或复杂湍流场景可能失效。
• 真实部署中的传感噪声与执行器迟滞可能削弱 sim2real 收益。

Future work

• 将该简化孪生方案扩展到多关节软体水下平台。
• 引入不确定性建模，做“参数区间鲁棒控制”而非点估计。
• 与视觉/声呐感知闭环结合，走向任务导向（追踪、巡检）控制。

Replication angle

优先复现路径：

1. 先复现参数辨识，再单独验证跨频率外推；
2. 固定孪生参数对比 RL 与经典控制器；
3. 增加一类结构扰动（材料刚度或鳍形变化）测试鲁棒性。

Figure links:

• https://arxiv.org/html/2602.23283v1/Images/fishoverview.png
• https://arxiv.org/html/2602.23283v1/Images/fisharchitecture_close.png
• https://arxiv.org/html/2602.23283v1/x1.png

Graph: Paper Node 2602.23283