Wake sensing for bioinspired robotic swimmers has been the focus of much investigation owing to its relevance to locomotion control, especially in the context of schooling and target following. Many successful wake sensing strategies have been devised based on models of von Kármán-type wakes; however, such wake sensing technologies are invalid in the context of exotic wake types that commonly arise in swimming locomotion. Indeed, exotic wakes can exhibit markedly different dynamics, and so must be modeled and sensed accordingly. Here, we propose a general wake detection protocol for distinguishing between wake types from measured hydrodynamic signals alone. An ideal-flow model is formulated and used to demonstrate the general wake detection framework in a proof-of-concept study. We show that wakes with different underlying dynamics impart distinct signatures on a fish-like body, which can be observed in time-series measurements at a single location on the body surface. These hydrodynamic wake signatures are used to construct a wake classification library that is then used to classify unknown wakes from hydrodynamic signal measurements. Under ideal settings, the wake detection protocol is found to have an accuracy rate of over 95% in the majority of performance studies conducted. Further, proper tuning can lead to accuracy rates of 80% or better in low signal-to-noise environments. Thus, exotic wake detection is shown to be a viable concept, suggesting that such technologies have the potential to become key enablers of multiple-model sensing and locomotion control strategies in the future.

中文翻译：

---

用流体动力学传感器检测奇异的尾流

仿生机器人游泳者的尾流传感由于其与运动控制的相关性而成为许多研究的焦点，尤其是在学校教育和目标跟踪的背景下。许多成功的尾流传感策略是基于 von Kármán 型尾流模型设计的；然而，这种尾流传感技术在游泳运动中常见的奇异尾流类型的背景下是无效的。事实上，奇异的尾流可以表现出明显不同的动态，因此必须相应地建模和感知。在这里，我们提出了一种通用的尾流检测协议，用于仅从测量的流体动力学信号中区分尾流类型。理想流模型被制定并用于在概念验证研究中演示一般的尾流检测框架。我们表明，具有不同潜在动力学的尾流会在鱼状身体上传递不同的特征，这可以在体表单个位置的时间序列测量中观察到。这些水动力尾流特征用于构建尾流分类库，然后用于对来自水动力信号测量的未知尾流进行分类。在理想的设置下，在大多数性能研究中发现尾流检测协议的准确率超过 95%。此外，在低信噪比环境中，适当的调谐可以使准确率达到 80% 或更高。因此，奇异的尾流检测被证明是一个可行的概念，表明此类技术有可能在未来成为多模型传感和运动控制策略的关键推动者。这可以在体表单个位置的时间序列测量中观察到。这些水动力尾流特征用于构建尾流分类库，然后用于对来自水动力信号测量的未知尾流进行分类。在理想的设置下，在大多数性能研究中发现尾流检测协议的准确率超过 95%。此外，在低信噪比环境中，适当的调谐可以使准确率达到 80% 或更高。因此，奇异的尾流检测被证明是一个可行的概念，表明此类技术有可能在未来成为多模型传感和运动控制策略的关键推动者。这可以在体表单个位置的时间序列测量中观察到。这些水动力尾流特征用于构建尾流分类库，然后用于对来自水动力信号测量的未知尾流进行分类。在理想设置下，大多数性能研究发现尾流检测协议的准确率超过 95%。此外，在低信噪比环境中，适当的调谐可以使准确率达到 80% 或更高。因此，奇异的尾流检测被证明是一个可行的概念，表明此类技术有可能在未来成为多模型传感和运动控制策略的关键推动者。这些水动力尾流特征用于构建尾流分类库，然后用于对来自水动力信号测量的未知尾流进行分类。在理想设置下，大多数性能研究发现尾流检测协议的准确率超过 95%。此外，在低信噪比环境中，适当的调谐可以使准确率达到 80% 或更高。因此，奇异的尾流检测被证明是一个可行的概念，表明此类技术有可能在未来成为多模型传感和运动控制策略的关键推动者。这些水动力尾流特征用于构建尾流分类库，然后用于对来自水动力信号测量的未知尾流进行分类。在理想的设置下，在大多数性能研究中发现尾流检测协议的准确率超过 95%。此外，在低信噪比环境中，适当的调谐可以使准确率达到 80% 或更高。因此，奇异的尾流检测被证明是一个可行的概念，表明此类技术有可能在未来成为多模型传感和运动控制策略的关键推动者。在进行的大多数性能研究中，发现尾流检测协议的准确率超过 95%。此外，在低信噪比环境中，适当的调谐可以使准确率达到 80% 或更高。因此，奇异的尾流检测被证明是一个可行的概念，表明此类技术有可能在未来成为多模型传感和运动控制策略的关键推动者。在进行的大多数性能研究中，发现尾流检测协议的准确率超过 95%。此外，在低信噪比环境中，适当的调谐可以使准确率达到 80% 或更高。因此，奇异的尾流检测被证明是一个可行的概念，表明此类技术有可能在未来成为多模型传感和运动控制策略的关键推动者。