在光线昏暗、环境复杂的水下世界，鱼类仍能从容完成定位、避障与协同游动。支撑这一切的“秘密武器”，正是它们体表一种特殊的感知器官——侧线系统。凭借侧线，鱼类能捕捉水流的细微变化，如同用身体“听水”。

受这一天然机制启发，科学家长期致力于为水下机器人打造“人工侧线”，以增强其在复杂环境中的感知能力。然而难点也随之浮现：当多条机器鱼同时自由游动时，彼此扰动激起的复杂水流会严重干扰传感信号，让精准感知变得异常困难。

近日，北京大学先进制造与机器人学院谢广明教授团队在这一难题上取得重要突破。团队创造性地将鱼类常见的“间歇性游动”策略引入仿生机器鱼系统，使机器鱼不仅能“动”，更善于“感”。相关成果以“Real-time position and orientation estimation in dual self-propelled swimmers using artificial lateral line systems with intermittent swimming strategy”为题，发表于机器人领域期刊The International Journal of Robotics Research。

与传统持续摆尾的游动方式不同，自然界中许多鱼类更倾向“冲刺-滑行”的间歇性游动：短暂加速后转入滑行。这种看似简单的节奏变化，却暗藏“降噪”玄机——滑行阶段大幅减少了自身运动引起的水流扰动，从而提升了对环境感知的清晰度。

研究团队正是借鉴这一生物策略，将间歇性游动机制融入机器鱼的运动与感知系统。通过合理调控推进与滑行的时间配比，团队成功压低了机器鱼自身产生的“噪声水流”，显著提升了人工侧线系统的信号采集质量。

在此基础上，团队进一步提出一种多模态多头注意力长短期记忆网络（MMA-LSTM）。该模型可同时融合水流压强信号的时域与频域特征，并结合机器鱼自身的运动信息，借助注意力机制自动筛选关键数据，从复杂干扰中提取有效信息，实现对目标机器鱼位置与姿态的实时精准估计。

通过计算流体力学仿真与真实机器鱼实验的双重验证，研究表明：间歇性游动显著提升了系统在复杂流场中的感知稳定性；滑行时间配比越合理，感知精度越高；仅依赖局部压强信息，系统即可在约1.7米范围内实现高精度位姿实时预测；相较传统方法，所提模型收敛更快、误差更低。

不同间歇游动时长下的估计效果对比。（a）位置估计；（b）姿态方向估计

该研究将“间歇性游动”这一生物行为策略系统性地引入人工侧线感知增强，既揭示了鱼类游动方式与感知能力之间的内在联系，也为破解水下机器人的“自噪声”难题提供了全新思路。相关成果将为多机器鱼协同作业、水下目标探测以及复杂环境下的自主感知提供关键技术支撑，推动仿生水下机器人从实验室走向真实应用场景。

论文共同第一作者为北京大学博士研究生刘若斯、翟宇凡，共同通讯作者为谢广明教授与北京邮电大学丁阳教授；合作者包括宾夕法尼亚大学硕士研究生黄前铭、北京大学硕士研究生丁振宇。研究工作得到国家自然科学基金资助。