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，使其完成多种复杂运动。他们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性理论，推导了保障机器人运动稳定的控制器网络参数约束，大大简化了不同运动基元的控制器参数训练学习过程。

  此外，研究团队还提出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。该方法还考虑了稳定约束的训练算法，保证所获得的控制器的稳定。

  通过仿真及实验，研究团队运用该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，研究人员通过人为摇晃容器、暴力碰触机器人等方式，模拟了真实场景中可能存在的复杂扰动。观察发现，仿鱼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，可以抵达最终指定区域，验证了新方法的强抗扰能力。

  论文通讯作者徐天添表示，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。该研究有望在无人机、无人车及工业机器人的复杂运动控制中得以应用。

  相关论文信息：https://doi.org/10.1109/TCYB.2023.3269773