多模态感知仿生水母机器人系统的设计与实现

马士博; 李亚兵; 李春隆; 高雨希; 任帅; 闫国豪; 郭芳辰; 温琦; 李俊漾

doi:10.12404/j.issn.1671-1815.2602659

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :8847-8854 DOI: 10.12404/j.issn.1671-1815.2602659

第二十八届中国科协年会学术论文

多模态感知仿生水母机器人系统的设计与实现

马士博 ¹ ,
李亚兵 ¹ ,
李春隆 ¹ ,
高雨希 ¹ ,
任帅 ¹ ,
闫国豪 ¹ ,
郭芳辰 ¹ ,
温琦 ¹^,² ,
李俊漾 ¹^,²^,^*

作者信息 +

Design and Implementation of Multimodal Perception Bionic Jellyfish Robot System

MA Shi-bo ¹ ,
LI Ya-bing ¹ ,
LI Chun-long ¹ ,
GAO Yu-xi ¹ ,
REN Shuai ¹ ,
YAN Guo-hao ¹ ,
GUO Fang-chen ¹ ,
WEN Qi ¹^,² ,
LI Jun-yang ¹^,²^,^*

Author information +

文章历史 +

摘要

针对海洋环境中深度与温度智能监测需求,提出了一种多模态感知仿生水母机器人系统。该系统以形状记忆合金(shape memory alloy,SMA)水母机器人为仿生载体,并搭载柔性温压传感器以构建多模态感知基础;且设计了由主控制器模块、电源模块和多路信号采集模块组成的硬件采集电路,使用串口通信、ADC数据换算、压力模态滤波与动态基线校正等方法进行软件处理;最终实现多模态信息实时可视化智能监测。实验结果表明,压力模态能够有效表征水母机器人上浮过程中的水深变化,并在水平游动过程中反映推进节律引起的周期性扰动;温度模态能够在静止与游动两种情况下稳定表征外界水温变化,且运动过程不会显著改变其响应趋势。所设计的系统实现了仿生形态、柔性驱动和多模态感知的一体化集成,在智慧海洋水体环境监测、柔性水下机器人多模态感知及后续智能决策研究等方面展示出巨大应用潜力。

Abstract

To meet the requirements for intelligent monitoring of depth and temperature in marine environments, a multimodal sensing biomimetic jellyfish robot system was designed and implemented. A shape memory alloy (SMA)-actuated jellyfish robot was adopted as the biomimetic carrier, and flexible pressure and temperature sensors were integrated to establish a multimodal sensing basis. A hardware acquisition circuit composed of a main controller module, a power supply module, and a multi-channel signal acquisition module was developed. Serial communication, ADC data conversion, pressure-signal filtering, and dynamic baseline correction were used for signal processing, and real-time visual monitoring of multimodal information was achieved. It was demonstrated by the experimental results that water-depth variation during robot ascent could be effectively characterized by the pressure modality, and periodic disturbances caused by propulsion rhythms during horizontal swimming could also be reflected. External water-temperature variations under both stationary and swimming conditions are stably characterized by the temperature modality, and no significant change in response trend is caused by robot motion. The designed system integrates bionic form, flexible drive and multi-modal perception in a unified manner. It demonstrates great potential for application in aspects such as intelligent monitoring of the water environment in the ocean, multi-modal perception of flexible underwater robots, and subsequent intelligent decision-making research.

Graphical abstract

关键词

SMA水母机器人 / 海洋监测 / 多模态感知 / 柔性传感器

Key words

SMA jellyfish robot / ocean monitoring / multimodal sensing / flexible sensor

引用本文

引用格式 ▾

马士博, 李亚兵, 李春隆, 高雨希, 任帅, 闫国豪, 郭芳辰, 温琦, 李俊漾. 多模态感知仿生水母机器人系统的设计与实现[J]. 科学技术与工程, 2026, 26(21): 8847-8854 DOI:10.12404/j.issn.1671-1815.2602659

MA Shi-bo, LI Ya-bing, LI Chun-long, GAO Yu-xi, REN Shuai, YAN Guo-hao, GUO Fang-chen, WEN Qi, LI Jun-yang. Design and Implementation of Multimodal Perception Bionic Jellyfish Robot System[J]. Science Technology and Engineering, 2026, 26(21): 8847-8854 DOI:10.12404/j.issn.1671-1815.2602659

登录浏览全文

4963

注册一个新账户忘记密码

随着对海洋资源开发、海洋生态监测和水下环境探测等需求的不断提升,水下机器人在复杂海洋场景中的应用日益广泛^[1-3]。近年来,相关研究也表明,水下机器人研究正从单一运动控制向鲁棒控制、自主路径规划和环境目标检测等方向发展^[4-6]。然而,传统刚性水下机器人通常依赖电机、连杆和刚性舱体实现运动与控制,虽然具有较成熟的工程实现基础^[7-8],但在狭窄空间、水下扰动环境以及柔顺接触任务中仍存在明显局限。

相比之下,软体机器人通过柔性材料、连续变形结构和仿生等设计实现柔顺运动,有效解决上述刚性机器人的应用困境。当前已经开展了大量关于水下软体机器人在材料、结构和运动控制方面的研究^[9],例如,赵玉侠等^[10]和梁加龙等^[11]分别从可变直径结构和仿生爬行结构方面验证了软体机器人在受限空间中的适应性,Du等^[12]开展了运动建模与控制。然而,上述研究多聚焦简单的运动实现,对多模态感知及信息处理关注不足,缺乏闭环反馈与智能控制^[13-14]。因此,目前仍然缺乏同时具备形态、驱动与多模态感知一体化协同的水下柔性机器人系统。

基于上述问题,现面向海洋水体深度与温度智能监测需求,设计并实现一种多模态感知仿生水母机器人系统,旨在构建集仿生形态、柔性驱动、多模态感知和实时可视化于一体的水下软体机器人平台。该系统以形状记忆合金(shape memory alloy,SMA)水母机器人为仿生载体,并搭载柔性温压传感器以构建多模态感知基础;同时包含主控制器模块、电源模块和多路信号采集模块的采集板硬件架构,使用串口通信、模数转换器(analog-to-digital converter,ADC)数据换算、压力信号滤波与动态基线校正等软件处理方法,实现多模态信号的稳定采集;最后,利用基于Python的上位机监测平台完成压力、温度信息的实时可视化展示与交互式监测。以期实现SMA仿生水母机器人与柔性温压传感器的集成,构建多通道采集与信号处理链路,并完成压力、温度信息的实时可视化监测。

1 仿生智能系统的物理基础

面向海洋环境监测,仿生智能系统需要同时具备形态适应、环境感知与柔顺驱动能力。基于此,以SMA水母机器人为载体^[15],围绕仿生本体、仿生感知器件和仿生驱动系统3个层面展开设计,构建面向压力与温度多模态监测的仿生智能基础平台。如图1所示。

1.1 SMA水母机器人的仿生本体基础

水母依靠伞体的周期性收缩与舒张实现推进,结构简单、运动平稳。基于此,构建了基于具有高功率重量比、低驱动电压和高响应速度等优势的SMA驱动器的仿生水母机器人,SMA钢丝用于驱动执行器进行弯曲,而高弹性钢丝用于实现回弹^[16-18],使用控制板进行游动控制,为后续多模态感知提供物理载体。水母机器人结构及SMA驱动器结构如图2所示。

1.2 面向仿生感知的传感器件

为实现对海洋环境的多维感知,制备了电阻式感知器件,主要用于压力(深度)与温度的测量。传感器基于柔性基底构建敏感层,利用其电阻随外界刺激变化的特性,将机械受力或温度变化转换为电阻变化,最终由ADC采集,并由上位机进行物理量转换与可视化。

柔性压力传感器^[19]的制备:首先通过浇筑混合了碳纳米管的热塑性聚氨酯弹性体(thermoplastic polyurethane,TPU)溶液^[20],利用聚二甲基硅氧烷(polydimethylsiloxane,PDMS)模具倒模制备出具有梯度微柱结构的柔性敏感层,随后将此敏感层与叉指电极层黏合组装,并在器件外部整体涂覆PDMS进行防水封装,整体结构如图3所示。该传感器基于压阻效应^[21],当受到压力时,敏感层内部的碳纳米管产生渗流效应以增加导电通路,且呈阶梯状递减的梯度微柱会依次与电极接触,进而扩大接触面积从而降低整体电阻。

柔性温度传感器^[22]的制备:对聚酰亚胺薄膜进行清洗与表面处理后,采用丝网印刷工艺依次印制叉指电极、由聚合物基体与导电材料复配制成的热敏墨水层,最后于器件整体表面浇筑 PDMS,完成防水封装,整体结构如图4所示。该传感器基于热膨胀机理,外部温度变化导致聚合物相变,进而引发体积胀缩,导电颗粒间距改变,从而引起宏观电阻升降变化。

2 多模态感知系统的实现

多模态感知信息的有效提取与利用,依赖于高度集成的底层硬件系统与高效的上层信息处理架构。为实现压力模态与温度模态的实时获取、稳定处理与可视化展示,构建了一套完整的硬件采集、软件处理和上位机可视化平台,如图5所示。

2.1 系统硬件架构设计

硬件架构围绕多模态电阻式传感信号的稳定采集与实时处理需求展开设计,整体由主控制器模块、电源模块和多路信号采集模块三部分组成^[23-25]。整体框架如图6所示。

2.1.1 主控制器与系统管理模块

主控制器模块以STM32F407VET6为核心,负责整板的时序控制、ADC数据采集、串口通信以及多路模拟开关的地址控制。主控外围配置了一颗8 MHz外部晶振,为MCU提供稳定的系统时基。复位与系统监控部分主要由STM1061电压监控芯片构成。同时,电路中还预留了SWD调试接口,为程序下载和在线调试提供硬件支持。主控制器模块为整板提供了稳定的控制、采样和通信基础。

2.1.2 电源模块

电源模块采用USB Type-C接口作为外部供电入口,输入端配置保护器件以及自恢复保险丝,分别实现静电抑制和过流保护。此外,电源模块设有主动式过压保护单元。经保护后的主电源分为两路稳压输出,一路生成3.3 V数字电源,供主控数字逻辑电路使用;另一路生成1.8 V模拟参考电源,主要用于VDDA、VREF+及ADC模拟相关供电。由此,系统形成了输入保护、过压切断、数字模拟分路稳压的电源架构,为多通道电阻式弱信号采集提供了稳定且相对低噪声的供电环境。

2.1.3 多路信号采集模块

信号采集模块核心思想是将多路复用选通与串联分压原理结合起来,实现有限ADC资源下的多通道电阻式传感采样。5片74HC4052构成A侧选通与激励网络,用于为被选中的传感通道提供测量激励与节点稳定;5片74HC4052构成B侧选通与采样网络,用于将被选中通道的响应信号送入ADC前端,并通过RC网络完成滤波与调理。两侧网络由公共地址线同步控制,在每个地址状态下完成一组传感单元的串联分压测量,并将分压响应输出至STM32进行数字化采样。该模块实现多通道电阻式传感采样,同时兼顾了节点稳定性和前端抗噪性能,为当前压力、温度多模态信号接入以及后续多模态扩展提供了统一硬件平台。

2.2 系统软件架构设计

系统软件架构用于实现采集板与上位机之间的串口通信、数据帧解析、多通道ADC数据换算、压力与温度物理量重建以及实时可视化更新。整体框架如图7所示。

2.2.1 串口通信与数据帧解析

系统采用串口通信机制。上位机向采集板发送请求命令,下位机返回固定长度的数据帧,如图8所示。程序支持多种可选波特率配置。程序在接收端采用逐字节搜索帧头的方式进行同步,当检测到连续帧头后,再顺序读取数据区和帧尾,并通过帧尾校验判断该帧是否有效。

2.2.2 ADC数据换算与物理量重建

在获得原始ADC数据后,程序首先进行零偏修正。第i路原始数据为ADC_i,零偏补偿值为O,则修正后的ADC为

(1)ADC_i_,corr=max(0,ADC_i-O)

系统依据12位ADC满量程和参考电压,将数字量换算为采样电压。ADC满量程为4 096,参考电压为V_ref=1.8 V,第i路采样电压为

(2)V_adc,_i=1.8$\frac{\mathrm{A}\mathrm{D}{\mathrm{C}}_{i,\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{r}}}{4\mathrm{ }096}$

传感器采用串联电阻法进行采样,串联电阻为R_s,总电路供电电压为V_tot,程序中引入阻值校正系数k_r,则第i路传感器等效阻值为

(3)R_i=$\frac{{V}_{\mathrm{t}\mathrm{o}\mathrm{t}}-{V}_{\mathrm{a}\mathrm{d}\mathrm{c},i}}{{V}_{\mathrm{a}\mathrm{d}\mathrm{c},i}/{R}_{\mathrm{s}}}$k_r

对于压力通道,程序进一步将阻值换算为电导率,其计算关系为

(4)G_i=$\frac{1}{{R}_{i}}$

式(4)中:G_i为第i路通道的电导率。

对于温度通道,程序采用线性标定关系将阻值换算为温度。线性标定斜率为a,截距为b,则温度值可表示为

(5)T_i=aR_i+b

2.2.3 压力模态滤波与动态基线校正

考虑到水下环境中的压力信号容易受到局部水波纹、姿态扰动和封装底噪影响,在压力通道中引入指数移动平均(exponential moving average, EMA)滤波^[26]。原始压力电导率为x_n,滤波输出为y_n,则有

(6)y_n=αx_n+(1-α)y_n_-1

式(6)中:α为EMA滤波系数。在滤波之后,系统还引入动态基线校正机制。设当前滤波输出为y_n,动态基线为b,则校正后的压力值为

(7)P_n=y_n-b

b由上位机“基准校正”按钮在当前时刻赋值为压力平滑值,用于消除静水环境、封装预应力和安装姿态带来的背景偏置。为避免出现无物理意义的负值,同时保证显示量程稳定,程序还对校正结果进行限幅处理。设压力显示上限为P_max,则最终压力输出定义为

(8)${P}_{n}^{\mathrm{*}}$=max[0,min(P_n,P_max)]

相比原始压力值,经过EMA滤波与校正后的结果更能稳定反映环境压力变化趋势。

2.3 上位机监测平台设计与实现

为实现多模态感知信息的实时展示与交互管理,构建了基于Python的上位机监测平台。该平台以Tkinter作为图形界面框架,以Matplotlib作为数据可视化工具,通过串口与下位机采集节点建立通信连接,完成压力模态与温度模态数据的接收、解析、处理、显示与存储。实时监测平台通过左侧的折线图动态展示压力和温度随时间的变化趋势,并利用右侧的柱状图直观显示当前时刻的瞬时数值,上位机软件界面如图9所示。

3 基于仿生形态的多模态环境感知

单一模态感知难以充分表征复杂海洋环境中的多维信息特征。为实现更高层次的智能行为,仿生水母机器人通过多模态协同感知实现信息互补,从而提升系统的感知鲁棒性。依托SMA水母机器人的仿生本体结构、柔性压力传感器和温度传感器,系统能够对海洋环境中的关键物理量进行同步感知,并通过上位机实现实时可视化监测。与传统单模态水下监测方式相比,基于仿生形态的多模态环境感知实现了结构、驱动、感知的一体化^[27-29]。

3.1 基于压力模态的海洋深度感知

当水母机器人由水底向上游动时,压力模态信号随深度减小呈下降趋势,如图10所示。主要由于外界静水压力随水深减小而减弱,其次与SMA执行器的收缩恢复过程以及机器人本体扰动水体所形成的瞬态压力变化有关。由此可见,利用该压力模态信号的连续变化特性,可有效实现海洋深度的动态监测。

当水母机器人在同一水深水平游动时,压力模态不再体现明显的静水压力梯度变化,而更多表现周期性扰动响应,如图11所示。在深度恒定时,压力信号相对稳定,主要是由机器人推进节律而导致的周期性变化。因此压力模态可用于辅助识别机器人当前的运动状态。

综上,压力模态在仿生水母机器人系统中不仅承担了海洋深度监测任务,还天然耦合了机器人运动引起的局部流体扰动信息,体现出环境感知与本体感知统一的特征,这为后续将深度监测与运动状态评估相结合提供了实验基础。

3.2 基于温度模态的海洋温度感知

为定量表征温度敏感器件对温度变化的响应特性,引入温度电阻系数(temperature coefficient of resistance, TCR)对其灵敏度进行评价。TCR表征材料电阻随温度变化的相对变化率,通常定义为

(9)TCR=$\frac{\mathrm{\Delta }R}{{R}_{0}\mathrm{\Delta }T}$

式(9)中:R₀为参考温度下的初始电阻;ΔR为电阻变化量;ΔT为对应温度变化量。

在静止升温实验中,随着水温升高,温度模态信号呈现出较平滑、连续的上升过程,如图12所示。由于该过程中机器人本体不发生明显位移和姿态变化,因此温度传感器输出主要反映环境水温的变化趋势。说明所设计的温度感知器件及其信号采集链路能够较稳定地表征水体热环境变化。

在游动升温实验中,机器人保持在同一深度附近进行周期性游动,同时施加与静止实验相似的升温过程。游动升温实验的温度变化曲线与静止升温实验基本一致,整体趋势、上升速率、稳态变化范围及TCR无显著差异,如图13所示。这表明在当前实验条件下,机器人游动行为对温度模态输出的影响较小,温度通道所测得的信号主要仍由外部水环境温度决定,而不是由运动过程本身引起的附加热扰动主导。

综上,基于温度模态的海洋温度感知实验表明,所构建的温度感知系统能够在不同运动情况下稳定表征外界水温变化,且游动过程不会显著改变温度响应趋势。该结果说明温度模态适合作为水母机器人进行海洋温度监测的核心感知通道,并为后续开展压力、温度多模态融合监测奠定了基础。

4 结论

围绕智慧海洋监测需求,设计并实现了一种多模态感知仿生水母机器人系统,该系统以SMA水母机器人为仿生载体,集成柔性压力传感器与温度传感器,构建了多模态感知基础;同时设计了硬件采集电路、软件处理架构及上位机监测平台,实现了从物理信号采集到多模态信息实时可视化展示的完整链路。通过理论分析与实验验证,得到以下结论。

(1)构建了一种面向海洋环境监测的多模态感知仿生水母机器人系统,实现了仿生本体、柔性驱动、多模态感知以及监测平台的一体化集成。该系统能够为水下环境信息获取提供统一的硬件与软件基础。

(2)压力模态能够有效表征水母机器人上浮过程中的水深变化,并在水平游动过程中反映推进节律引起的周期性扰动。说明压力模态不仅可用于海洋深度动态监测,还能够在一定程度上反映机器人本体运动状态,体现出环境感知与本体感知相统一的特征。

(3)温度模态能够在静止与游动两种工况下稳定表征外界水温变化,且机器人游动不会显著改变其响应趋势。说明所构建的温度感知链路具有较好的稳定性与工况一致性,适合作为海洋温度监测的核心感知通道。

(4)所设计的采集板硬件架构、串口通信与数据处理方法以及上位机监测平台,能够实现温度与压力多模态信号的稳定采集、实时处理和可视化展示,为后续开展柔性水下机器人多模态感知、环境监测及智能决策研究提供了实验平台。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Wang P B, Liu X Y, Song A G. Actuation and locomotion of miniature underwater robots: a survey[J]. Engineering, 2024,51: 195-214.

[2]	陈旭光, 寇海磊, 牛小东, 等. 深海水下技术装备发展研究[J]. 中国工程科学, 2024, 26(2): 1-14.

[3]	Chen Xuguang, Kou Hailei, Niu Xiaodong, et al. Development of deep-sea underwater technology and equipment[J]. Strategic Study of CAE, 2024, 26(2): 1-14.

[4]	Tolie H F, Jinchang R E N, Hasan M J. Effective marine monitoring with multimodal sensing and improved underwater robotic perception towards environmental protection and smart energy transition[J]. Journal of Geodesy and Geoinformation Science, 2024, 7(4): 19-35.

[5]	唐军, 陈善颖, 谢彬, 等. 基于有限时间干扰观测器的改进模型水下机器人自适应鲁棒容错控制[J]. 科学技术与工程, 2024, 24(11): 4574-4582.

[6]	Tang Jun, Chen Shanying, Xie Bin, et al. Improved model unmanned underwater vehicle adaptive robust fault-tolerant control based on finite time disturbance observer[J]. Science Technology and Engineering, 2024, 24(11): 4574-4582.

[7]	江亚峰, 张亮, 袁明新, 等. 基于社群信息传递机制的 AUV 路径规划算法[J]. 科学技术与工程, 2025, 25(6): 2419-2427.

[8]	Jiang Yafeng, Zhang Liang, Yuan Mingxin, et al. AUV path planning algorithm based on the community information transmission mechanism[J]. Science Technology and Engineering, 2025, 25(6): 2419-2427.

[9]	韩丽, 马春海, 林志浩, 等. 一种用于低分辨率小目标的水下垃圾检测算法[J]. 科学技术与工程, 2024, 24(35): 15126-15136.

[10]	Han Li, Ma Chunhai, Lin Zhihao, et al. Underwater trash detection algorithm for low-resolution small targets[J]. Science Technology and Engineering, 2024, 24(35): 15126-15136.

[11]	Lu P W, Dong B S, Gao X, et al. Variable-stiffness underwater robotic systems: a review[J]. Journal of Marine Science and Engineering, 2025, 13(9): 1805.

[12]	Wang J L, Song J L, Liu A R, et al. Design and architecture of a slender and flexible underwater robot[J]. Intelligent Service Robotics, 2024, 17(3): 445-464.

[13]	Qu J T, Xu Y N, Li Z K, et al. Recent advances on underwater soft robots[J]. Advanced Intelligent Systems, 2024, 6(2): 2300299.

[14]	赵玉侠, 万学锋, 多会晓, 等. 一种可变直径软体机器人的设计[J]. 科学技术与工程, 2024, 24(2): 631-638.

[15]	Zhao Yuxia, Wan Xuefeng, Duo Huixiao, et al. Design of a variable diameter soft robot[J]. Science Technology and Engineering, 2024, 24(2): 631-638.

[16]	梁加龙, 罗凯, 李德臣, 等. 基于三周期极小曲面的管道爬行机器人[J]. 科学技术与工程, 2025, 25(3): 1133-1141.

[17]	Liang Jialong, Luo Kai, Li Dechen, et al. Pipeline crawling robot based on triply periodic minimal surfaces[J]. Science Technology and Engineering, 2025, 25(3): 1133-1141.

[18]	Du T, Hughes J, Wah S, et al. Underwater soft robot modeling and control with differentiable simulation[J]. IEEE Robotics and Automation Letters, 2021, 6(3): 4994-5001.

[19]	梅栋, 赵鑫, 唐刚强, 等. 软体机器人建模与控制技术研究进展[J]. 机器人, 2024, 46(2): 234-256.

[20]	Mei Dong, Zhao Xin, Tang Gangqiang, et al. A review of soft robot modeling and control[J]. Robot, 2024, 46(2): 234-256.

[21]	Hegde C, Su J, Tan J M R, et al. Sensing in soft robotics[J]. ACS Nano, 2023, 17(16): 15277-15307.

[22]	Li L, Wang S J, Zhang Q, et al. Design of a lattice-reinforced shape memory alloy actuator for underwater soft robots[J]. Soft Robotics, 2026, 13(1): 51-62.

[23]	Gong N, Jin H, Sun S S, et al. A bionic soft tongue driven by shape memory alloy and pneumatics[J]. Bioinspiration and Biomimetics, 2021, 16(5): 055008.

[24]	Jing H G, Yong C P, Zhang H, et al. An investigation on the driving characteristics continuous measurement of reverse deformation SMA springs[J]. Meccanica, 2022, 57(2): 297-311.

[25]	Zhou H Q, Cao S Z, Ma N. Design and performance analysis of a novel class of SMA-driven rotational mechanisms/joints[J]. Robotica, 2022, 40(11): 3976-3994.

[26]	Tang X Y, Liao P, Wang L H, et al. Highly sensitive flexible pressure sensor based on gradient microcolumn structure for ocean wave monitoring[J]. Applied Physics Letters, 2025, 127(24): 243305.

[27]	Yan L, Xiong T H, Zhang Z X, et al. Comparative study on TPU/multi-walled carbon nanotubes conductive nanocomposites for volatile organic compounds sensor applications[J]. Journal of Polymer Research, 2021, 28(9): 350.

[28]	Wang M, Wang G D, Zheng M Y, et al. High-performance flexible piezoresistive pressure sensor based on multi-layer interlocking microstructures[J]. Journal of Materials Chemistry A, 2024, 12(34): 22931-22944.

[29]	Li Y B, Li J F, Jin Y J, et al. Development of fast-response flexible temperature sensor for air-sea interface monitoring[J]. Applied Physics Letters, 2026, 128(4): 043301.

[30]	Costanza G, Tata M E. Shape memory alloys for aerospace, recent developments, and new applications: a short review[J]. Materials, 2020, 13(8): 1856.

[31]	Li Y, Villada A, Lu S H, et al. Soft, flexible pressure sensors for pressure monitoring under large hydrostatic pressure and harsh ocean environments[J]. Soft Matter, 2023, 19: 5772-5780.

[32]	杨志龙, 李亚兵, 阴鹏宇, 等. 基于三维混合定位的车载水下应急救生装置[J]. 物联网技术, 2023, 13(11): 17-20.

[33]	Yang Zhilong, Li Yabing, Yin Pengyu, et al. Vehicle-mounted underwater emergency lifesaving device based on three-dimensional hybrid positioning[J]. Internet of Things Technologies, 2023, 13(11): 17-20.

[34]	Malamud J, Guloksuz S, van Winkel R, et al. Characterizing the dynamics, reactivity and controllability of moods in depression with a Kalman filter[J]. PLOS Computational Biology, 2024, 20(9): e1012457.

[35]	Liu L C, Zhu H H, Gu X F, et al. Flexible pressure sensors from a multidisciplinary perspective: principles, material selection and application expansion[J]. Chemosensors, 2026, 14(3): 71.

[36]	Xu N W, Dabiri J O. Bio-inspired ocean exploration[J]. Oceanography, 2022, 35(2): 35-48.

[37]	Hasib S A, Gulzar M M, Oishy S R, et al. An investigation of innovative strategies in underwater soft robotics[J]. Engineering Science and Technology, an International Journal, 2025, 70: 102123.

基金资助

山东省自然科学基金青年项目(ZR2026QB40)

中央高校基本科研业务经费(202642004)

山东省科技型中小企业创新能力提升项目(2024TSGC0203)

国家重大科技项目崂山实验室专项(LSKJ202502600)

国有资本资助计划中国电科电子信息技术研究院专项(CG-2025-0182)

青岛市产业培育与引领关键技术攻关项目(国际与港澳台科技合作类)(25-1-1-gjgg-95-hz)

长三角科技创新共同体联合关键创新项目(2023CSJZN0203)

PDF (9441KB)

访问

被引

详细

导航

Received	Published	Revised
2026-05-15	2026-07-28	2026-06-20
Online Date
2026-08-14

摘要