In nature, the lateral line system (LLS) is a critical sensor organ of fish for rheotaxis in complex environments. Inspired by the LLS, numbers of artificial lateral line systems (ALLSs) have been designed to the fish-like robots for flow field perception, assisting the robots to be stable in the face of flow disturbances. However, almost all pressure sensor based ALLSs face the challenge of the low signal to noise ratio (SNR), resulting in inaccurate perception information. To solve this problem, this paper describes a dual-sensor fusion method by integrating the ALLSs with the inertial measurement unit (IMU), and shows the excellent performance by a higher precision and lower latency attitude holding of robotic fish. First, low-pass filtering is performed on ALLS data with low-SNR. Second, the ALLS data is mapped to the angle of attack based on an artificial neural network. Finally, a fusion perception method is established based on the time correlation between ALLS and IMU. To demonstrate the efficacy of our proposed method, we compare the result of attitude holding by three methods (dual-sensor fusion method, IMU based method, and ALLS based method). Furthermore, dual-sensor fusion method is tested at varied flow velocities and varied desired angles of attack, indicating that the algorithm can enable the robotic fish to perform dynamic movements in the incoming flow. This work provides a method for the attitude control of autonomous underwater vehicles (AUVs) by fusing the sensory data of ALLS and IMU, which is also applicable to other flow sensors and IMU.

中文翻译：

---

基于双传感器融合的鳍式机器人鱼的姿态保持。

在自然界中，侧向线系统（LLS）是鱼类在复杂环境中流变性的关键传感器。受LLS的启发，已经为鱼形机器人设计了许多人工侧线系统（ALLS），以感知流场，从而帮助机器人在遇到流扰动时保持稳定。但是，几乎所有基于压力传感器的ALLS都面临着低信噪比（SNR）的挑战，从而导致感知信息不准确。为了解决这个问题，本文介绍了一种将ALLS与惯性测量单元（IMU）集成在一起的双传感器融合方法，并通过以更高的精度和更低的等待时间保持机器人鱼的表现出了优异的性能。首先，对具有低SNR的ALLS数据执行低通滤波。第二，ALLS数据基于人工神经网络映射到攻角。最后，基于ALLS和IMU之间的时间相关性，建立了融合感知方法。为了证明我们提出的方法的有效性，我们比较了三种方法（双传感器融合方法，基于IMU的方法和基于ALLS的方法）保持姿态的结果。此外，在变化的流速和变化的期望迎角下测试了双传感器融合方法，这表明该算法可以使机器鱼在输入流中执行动态运动。这项工作提供了一种通过融合ALLS和IMU的传感数据来控制水下航行器（AUV）姿态的方法，该方法也适用于其他流量传感器和IMU。基于ALLS与IMU之间的时间相关性，建立了融合感知方法。为了证明我们提出的方法的有效性，我们比较了三种方法（双传感器融合方法，基于IMU的方法和基于ALLS的方法）保持姿态的结果。此外，在变化的流速和变化的期望迎角下测试了双传感器融合方法，这表明该算法可以使机器鱼在输入流中执行动态运动。这项工作通过融合ALLS和IMU的传感数据提供了一种用于自动水下航行器（AUV）的姿态控制的方法，该方法也适用于其他流量传感器和IMU。基于ALLS与IMU之间的时间相关性，建立了融合感知方法。为了证明我们提出的方法的有效性，我们比较了三种方法（双传感器融合方法，基于IMU的方法和基于ALLS的方法）保持姿态的结果。此外，在变化的流速和变化的期望迎角下测试了双传感器融合方法，这表明该算法可以使机器鱼在输入流中执行动态运动。这项工作通过融合ALLS和IMU的传感数据提供了一种用于自动水下航行器（AUV）的姿态控制的方法，该方法也适用于其他流量传感器和IMU。我们通过三种方法（双传感器融合方法，基于IMU的方法和基于ALLS的方法）比较姿态保持的结果。此外，在变化的流速和变化的期望迎角下测试了双传感器融合方法，这表明该算法可以使机器鱼在输入流中执行动态运动。这项工作通过融合ALLS和IMU的传感数据提供了一种用于自动水下航行器（AUV）的姿态控制的方法，该方法也适用于其他流量传感器和IMU。我们通过三种方法（双传感器融合方法，基于IMU的方法和基于ALLS的方法）比较姿态保持的结果。此外，在变化的流速和变化的期望迎角下测试了双传感器融合方法，这表明该算法可以使机器鱼在输入流中执行动态运动。这项工作通过融合ALLS和IMU的传感数据提供了一种用于自动水下航行器（AUV）的姿态控制的方法，该方法也适用于其他流量传感器和IMU。