研究成果以“A Robot Motion Learning Method Using Broad Learning System Verified by Small-scale Fish-like Robot”为题，发表在智能控制领域权威期刊IEEE Transactions on Cybernetics(JCR一区，影响因子：19.118)。徐升副研究员为第一作者，徐天添研究员为通讯作者，中国科学院深圳先进技术研究院为第一单位。 

   微型仿鱼机器人由于构型合理、尺度很小，可以更为灵活地在复杂狭小空间内穿梭作业，在微孔探查、靶向治疗等小尺度操作领域具有巨大的应用潜力。但是，受磁场与机器人运动之间的强非线性影响，使得机器人按要求轨迹运动控制十分具有挑战。同时，在复杂场景中，如人体内，理想目标轨迹的准确坐标往往不便获取，限制了追踪控制策略的应用。体内环境迂曲复杂，存在频繁方向改变，控制器反复调整计算复杂繁琐，存在重复性。因此，十分有必要将微型机器人的底层运动封装为基本运动，例如直走，直角弯，S形弯，C形弯等，并将这些基本运动作为高层运动指令库的基元，便于在后续的宏观运动路径规划中按需调用，可降低实时控制指令的解算复杂度。研究团队结合宽度学习理论，对磁控仿鱼机器人的运动基元开展训练学习完成多种复杂运动。 

  研究团队设计了以宽度神经网络为主体的微型机器人基本运动控制器；基于李雅普诺夫稳定理论，推导了保障机器人运动稳定的控制器网络参数约束，大大简化不同运动基元的控制器参数训练学习过程；提出了以磁场参数变化与机器人速度矢量变化为所需数据的控制器网络参数训练方法，使用者只需通过改变训练数据的种类即可获得多种运动基元，而且考虑了稳定约束的训练算法可以保证所获得的控制器必然稳定。

图2 基于宽度神经网络的微型仿鱼机器人运动基元学习控制方法

图3 微型仿鱼机器人结构及运动原理，磁驱动实验系统

   通过仿真及实验，研究团队运用所提的学习控制方法获得了锐角弯、J形弯、S形弯等多种运动基元的微型机器人控制器，并开展了仿鱼机器人避障运动实验。在机器人运动过程中我们通过人为摇晃容器、暴力碰触机器人模拟了真实场景中可能存在的复杂扰动，机器人在复杂环境中，直接调用C形弯，S形弯等运动基元实现高效避障，通过使用所提方法机器人均可以抵达最终指定区域，验证了所提方法的强抗扰能力。该成果符合高层运动指令规划的思想，大幅简化了实时控制指令解算复杂度，为微型机器人的多机集群运动或无参考轨迹最优运动规划打下基础，同时还可推广至无人机、无人车以及工业机器人的复杂运动控制。

图4 机器人多次执行“S”形避障实际效果

图5 机器人强抗扰能力验证（暴力阻拦、容器振动）

   该系列研究工作得到了国家重点研发计划、国家自然科学基金、广东省自然科学基金、中科院青促会、深圳市等科技项目资助。