据外媒报道，东京科学大学（Institute of Science Tokyo）的研究人员开发出一种新方法，通过在扑翼上安装7个应变计并结合卷积神经网络（CNN）模型，实现了99%的风向检测精度。这种借助柔性机翼上的应变传感器进行仿生风向感知的方法，可能彻底改变机器人飞行控制策略。

图片来源：Institute of Science Tokyo

这一突破灵感来自鸟类和昆虫体内天然的应变感受器，为改善扑翼飞行机器人在不同风况下的控制和适应性开辟了新的可能性。飞行昆虫和鸟类的翅膀上有机械感受器，可以收集应变感应数据，从而帮助它们控制飞行。这些感受器能够检测到风力、身体运动和环境条件的变化，从而在飞行过程中做出相应的调整。

受这种带有应变感受器的自然翅膀启发，研究人员正在探索如何使用仿生扑翼机器人的机翼应变传感来提取周围的流动信息。在2024年11月11日发表在期刊《Advanced Intelligent Systems》的一项研究中，由东京科学大学Hiroto Tanaka领导的研究团队研究了蜂鸟仿生柔性机翼上应变传感器的使用情况，以在风洞中模拟微风条件下的悬停飞行，准确检测系留拍打过程中的流动方向。

Tanaka表示：“由于重量和尺寸的严重限制，小型空中机器人无法负担传统的流量传感装置。因此，如果可以利用简单的机翼应变传感来直接识别流动状况，而无需额外的专用设备，那将是有益的。”

研究人员在模仿蜂鸟翅膀的柔性机翼结构上安装了7个应变计（广泛使用的低成本商业元件）。这些机翼由支撑翼膜（与自然翅膀的结构相似）的锥形轴组成。这些机翼连接到一个由直流电机驱动的拍打机构上，直流电机通过苏格兰轭机构（Scotch yoke mechanism，也称为开槽连杆机构）和减速齿轮产生前后拍打运动，速度为每秒12次。

研究人员在风洞中施加了风速为0.8米/秒的微弱风力。在7个不同风向（0°、15°、30°、45°、60°、75°和90°）和无风条件下，测量了机翼扑动期间的应变。使用卷积神经网络模型对应变数据进行机器学习，以分类这些风向条件。结果显示，使用扑动周期长度的应变数据实现了99.5%的高分类准确率。即便是使用0.2个扑动周期的数据，分类准确率仍高达85.2%。

即使只使用一个应变计，分类准确率也很高，使用扑动周期数据时精度在95.2%至98.8%之间，而使用0.2个周期数据时，分类精度骤降至65.6%或更低。这些结果表明，机翼应变感知的多个位置可以在仅0.2个扑动周期内实现高精度的风向识别。

通过移除内翼轴，分类精度有所降低。当使用所有应变计时，0.2个周期数据的精度下降了4.4%，1个周期数据的精度下降了0.5%。此外，单一应变计的使用，1个周期数据的精度下降了7.2%，0.2个周期数据的精度下降了6%。这些结果表明，仿生机翼轴结构增强了机翼的风感知能力。

Tanaka总结道：“这项研究有助于人们进一步理解悬停的鸟类和昆虫可能通过其扑动翅膀的应变感知敏锐地感知风力，这将有利于反应性飞行控制。类似的系统可以在仿生扑翼飞行机器人中，通过简单的应变计实现。”