实验性拍打翅膀系统数据集

本研究构建了一个实验性的拍打翅膀系统数据集，由耶路撒冷希伯来大学的研究者开发。该数据集记录了翅膀的运动学特征和相应的气动力，用于训练和测试逆映射模型。数据集包含多个时间序列事件，每个事件包含多个传感器测量的力和翅膀的运动学角度。该数据集的应用领域为机器人控制，特别是在模拟昆虫拍打翅膀的复杂动态系统中，用于实现实时控制。

This research developed an experimental flapping-wing system dataset, created by researchers from the Hebrew University of Jerusalem. The dataset captures the kinematic characteristics of flapping wings and their corresponding aerodynamic forces, and is utilized for training and testing inverse mapping models. It comprises multiple time-series events, each containing force measurements from multiple sensors as well as the kinematic angles of the wings. This dataset is tailored for robotic control applications, specifically to enable real-time control in complex dynamic systems that simulate insect-inspired flapping-wing flight.

搜集汇总

数据集介绍

构建方式

该数据集的构建方式涉及开发一个机械拍打翅膀系统，该系统可以控制翅膀的运动，并使用高速相机测量其3D运动。同时，系统还配备了力传感器，用于同步测量翅膀产生的气动力。这种实验装置的设计旨在捕捉翅膀运动与气动力之间的关系，从而为机器学习模型提供训练数据。为了训练模型，研究者们使用了序列到序列模型，并增加了一个自适应频谱层，以在时域和频域中捕获运动和力的复杂依赖关系。

特点

该数据集的特点在于其包含了实验性拍打翅膀系统的数据，这些数据可以用于训练机器学习模型，以学习输入翅膀运动与产生所需的气动力之间的关系。数据集的特点还包括使用了自适应频谱层（ASL），这是一个新颖的层，它实现了频域中的表示学习。ASL通过使用幅度和相位信息来捕获重要频率模式，特别是对于像拍打翅膀系统这样的周期性信号，并过滤掉不需要的噪声。该数据集还展示了与现有最先进的基于变换器模型的模型相比，其在测试数据集上具有11%的损失改进，并且推理时间更短，使其适用于机载机器人控制。

使用方法

该数据集的使用方法包括将其作为训练数据集，用于训练序列到序列模型，并增加一个自适应频谱层。训练过程涉及优化模型参数，以最小化损失，并使用随机梯度下降（SGD）等方法进行迭代优化。一旦模型训练完成，它可以用作控制器，以推断出产生所需气动力所需的翅膀运动。此外，该数据集还可以用于与其他模型进行比较，以评估其性能和效率。

背景与挑战

背景概述

实验性拍打翅膀系统数据集的研究背景源于对复杂系统控制的深入探索，特别是在流体动力学的领域。该数据集由以色列耶路撒冷希伯来大学计算机科学与工程系、生命科学研究所以及生物工程中心的研究团队于2025年创建。主要研究人员包括Hadar Sharvit、Raz Karl和Tsevi Beatus。该数据集的核心研究问题是如何通过机器学习解决复杂系统，如拍打翅膀机器人中的流体动力学问题，实现实时控制。该数据集的创建为生物仿生机器人、生物医学设备等领域的研究提供了宝贵的资源和工具，极大地推动了相关领域的发展。

当前挑战

实验性拍打翅膀系统数据集面临着一系列挑战。首先，该数据集所解决的领域问题是拍打翅膀机器人的流体动力学问题，其中输入（翅膀运动学）到输出（空气动力学力）的映射是非线性和复杂的，难以计算和反转。其次，在构建过程中，研究人员遇到了如何精确测量翅膀运动学和空气动力学力的挑战，以及如何设计一个能够在实时控制中应用的深度学习模型。此外，该数据集还面临着如何泛化到不同翅膀形状和雷诺数的挑战。

常用场景

经典使用场景

该数据集被用于训练一个深度学习模型，该模型能够学习输入的拍打翅膀运动，以产生期望的空气动力学力结果。这种逆向映射对于复杂的流体动力系统，如拍打翅膀的机器人，至关重要，因为其输入（翅膀运动学）与输出（空气动力学力）之间的映射是非平凡的，并且这种映射的逆向计算在实时控制中计算量过大。

解决学术问题

该数据集解决了在复杂的流体动力系统中进行逆向映射的问题。在拍打翅膀的机器人中，流体动力学高度非线性且复杂，因此，从翅膀运动到空气动力学力的正向映射往往需要使用机械的、放大的拍打翅膀模拟或数值求解纳维-斯托克斯流动方程，这在在线系统控制中计算量过大且不实用。该数据集通过机器学习模型解决了这个问题，该模型能够在实时控制中高效地计算翅膀运动学，以产生期望的力和力矩。

衍生相关工作

该数据集衍生了相关的经典工作，包括：1. 基于深度学习的逆向映射建模框架；2. 适用于时间序列数据的序列到序列模型；3. 基于傅里叶空间的表示学习；4. 适用于周期性信号的频率域分析；5. 机器学习在流体动力学中的应用。