仿生学作为连接自然与工程的前沿交叉领域，正不断推动智能机器人系统的革新。鱼类在复杂水下环境中展现出的卓越机动性和感知能力，启发了仿生机器鱼的设计与发展。然而，在水下环境光照不足、声学干扰频繁等恶劣条件下，传统视觉与声呐传感技术常常面临性能瓶颈。相比之下，鱼类独有的侧线系统——能感知周围水流速度和压强变化——为水下机器人提供了全新的感知范式。

近年来，研究人员开发了人工侧线系统（Artificial Lateral Line System, ALLS），用于模拟鱼类的感知能力，广泛应用于流场感知、避障和多鱼协同等任务。但若要实现真正的自主智能，机器人还必须准确估计自身的运动状态，如速度、摆动模式和轨迹变化。对于自由游动的仿生机器鱼来说，因其推进依赖周期性摆动，所引发的强流固耦合问题使得传统建模手段难以适用，而现有的深度学习方法虽具精度，往往缺乏可解释性与泛化能力。

▍提出新框架，突破仿生机器鱼感知难题

针对这一挑战，来自北京大学先进制造与机器人学院智能仿生设计实验室的谢广明教授团队，提出了一种融合模态分解与物理建模的可解释、可泛化的数据驱动自运动状态估计框架。

该方法基于人工侧线传感器采集的时空压强数据，通过本征正交分解（Proper Orthogonal Decomposition, POD）提取出与鱼体运动密切相关的主导模态，并结合Lighthill压强理论对其物理含义进行解释。在此基础上，研究团队进一步揭示了传感器布置中的冗余性，提出了优化的传感器布局策略，有效降低系统复杂度。