本团队以蝠鲼为仿生对象，旨在研发一种具有高仿生运动模式、高清勘探、神经识别等功能的仿生蝠鲼水下机器人，实现“攻坚克难”。 在水下作业时，该仿生蝠鲼机器人可凭借其创新性的双向耦合变形柔性胸鳍摆动方式与视觉图像传输系统，在实现精准勘探与目标定位的同时，减少对生态环境的影响，收集人类所需的资源信息与搜救大数据，减少人力物力的消耗，有效解决水域搜救、资源勘探的难题。

我们团队的仿生蝠鲼有五个主要创新点：

（1）基于偏心轮连杆机构的双向耦合变形胸鳍
这种刚性杆件机构能够使仿生蝠鲼获得稳定的推力，较好地模拟蝠鲼肌肉的收缩运动，并且能提供足够的输出力和功率

（2）可传动柔性骨架
针对轻量化设计的需求，我们对仿生蝠鲼关节结构设计进行创新式的拓扑优化，基于optistruct 迭代开发，以结构参数和载荷参数作为优化变量，建立了参数化有限元优化模型。以最大位移、扭矩和水底压强作为约束条件，骨架关节最佳强度重量比作为目标函数，利用算法优化得到新仿生蝠鲼骨架关节结构。

（3）柔性扑翼推进方式的抗扰流算法

该系统由三个关键部分组成：姿态镇定控制器、推力分配器和姿态测量系统。姿态镇定控制器是系统的智能核心，它根据机器人的姿态偏差数据以及外界扰动情况，计算出维持稳定姿态所需的控制力量和力矩。接着，这些计算出的力量和力矩会被推力分配器高效地分配至各个推进器上，确保机器人可以精准执行动作。姿态测量系统则扮演着信息供应者的角色，为控制器提供必要的传感器数据，以便实时监测和调整姿态，保障机器人在水中的稳定性和机动性。

（4）深度学习生物识别及目标检测系统
该技术基于对 YOLO-v7 模型的显著改进，称之为YOLO-v7-GN。在这一创新框架中，我们在YOLO-v7 的基础上引入了一项关键改进——递归门控卷积（gnConv）。这种独特的设计通过门控卷积实现了高级的空间交互能力，并通过其递归结构提供了极高的灵活性和可定制性。我们的模型在处理扩充后的样本数据时，即便在深海鱼类样本相对稀缺的条件下，也能够实现更高的目标检测准确率和更快的处理速度。

（5）智能路径规划系统设计
为实现仿生蝠鲼在复杂水下环境中的高效、安全航行，本项目引入并改进了一种基于相似性邻域搜索（Similarity-based Neighbourhood Search, SNS） 的智能路径规划算法。该算法源自国际优化算法研究前沿，针对水下三维路径规划的特殊约束（如流体阻力、运动平滑性、障碍物分布）进行了适应性重构，通过 “感知 - 规划 - 控制” 全链路集成，显著提升了仿生蝠鲼的自主决策与环境适应性能力。