Un pez mecánico frente a corrientes que cambian
El prototipo fue sometido a una calle de vórtices de Kármán, un patrón formado cuando el agua rodea un obstáculo y genera remolinos alternos aguas abajo. Este fenómeno aparece alrededor de pilares, arrecifes, tuberías y estructuras marítimas. Cada remolino puede ejercer una fuerza lateral distinta sobre un vehículo pequeño, desviarlo de su trayectoria y obligarlo a gastar energía en correcciones continuas. La investigación, aceptada el 8 de julio y publicada por Scientific Reports el día 26, combina simulaciones numéricas y ensayos con un aparato real.
El objetivo no era enseñar al robot una ruta fija, sino permitirle interpretar la corriente local y actuar antes de que llegara la siguiente perturbación. Los autores emplearon tres condiciones de flujo, correspondientes a números de Reynolds de 500, 800 y 1.000. El número de Reynolds relaciona velocidad, tamaño y viscosidad: cuanto mayor es, más importantes resultan la inestabilidad y la turbulencia. Es una escala experimental, por lo que los resultados no equivalen todavía al comportamiento del aparato en mar abierto.
Una memoria artificial para anticipar remolinos
El sistema combina una red LSTM —siglas inglesas de “memoria a corto y largo plazo”— con el algoritmo DDPG, o gradiente de política determinista profundo. La LSTM analiza la sucesión temporal de datos recibidos por sensores de presión, en vez de considerar cada medición como una observación aislada. De esa forma intenta reconocer el ritmo con que se desprenden los vórtices y anticipar la dirección de la siguiente fuerza lateral.
El DDPG utiliza esa predicción para ordenar movimientos continuos de la cola. Puede variar la frecuencia entre 0,5 y 3 hercios y la amplitud entre 10 y 45 grados, en lugar de elegir únicamente entre unas pocas maniobras predeterminadas. El controlador fue entrenado con una función de recompensa que valoraba simultáneamente la llegada al destino, la proximidad a la trayectoria central, la estabilidad y el consumo. Los investigadores penalizaron además los recorridos que evitaban el núcleo turbulento, para impedir que el algoritmo resolviera la prueba simplemente rodeando la zona difícil.
Un prototipo de treinta centímetros
El pez construido por el equipo mide 300 milímetros de longitud y 80 de anchura máxima. Su aleta caudal es de poliuretano flexible y los sensores de presión, inspirados en la línea lateral de los peces, funcionan a una frecuencia de muestreo de 100 hercios. Un microcontrolador de 480 megahercios procesa la información, mientras una batería de 11,1 voltios y 2.200 miliamperios-hora proporciona una autonomía declarada de al menos una hora. Las especificaciones completas aparecen en el manuscrito experimental.
Las pruebas se realizaron en un tanque de 1,1 metros de longitud, 83 centímetros de anchura y 44 centímetros de altura. Una bomba y un generador de flujo reprodujeron las tres condiciones estudiadas previamente por ordenador. Cámaras externas registraron la trayectoria y otro sistema midió el movimiento de la cola, la orientación, el consumo eléctrico y las señales de presión. Cada escenario se repitió varias veces, aunque el manuscrito no precisa en su resumen público el número total de ensayos independientes.
Ventaja sobre tres controles alternativos
El sistema híbrido se comparó con un controlador proporcional-integral-derivativo —PID—, una red DQN de acciones discretas y un control predictivo basado en modelo, conocido como MPC. El pez equipado con LSTM-DDPG completó el 95 % de las tareas con Reynolds 500, el 90 % con 800 y el 80 % con 1.000. Su promedio fue del 88,3 %. DQN alcanzó el 66,7 %; PID, el 51,7 %; y MPC, el 46,7 %, según las tablas publicadas por el equipo.
La diferencia energética también fue apreciable. El nuevo controlador consumió en promedio 5,2 julios por metro, frente a 7,6 para DQN, 9,5 para PID y 10,1 para MPC. El ahorro respecto al PID fue del 45,3 %. En las simulaciones, el consumo había sido de 4,3 julios por metro; el incremento del 20,9 % observado en el prototipo se atribuyó a fricciones, holguras mecánicas y otras pérdidas que el modelo idealizado no representaba.
Qué explica la mejora
La arquitectura anticipa el momento en que llegará una corriente lateral y cambia de antemano la fase de la cola. Los controles puramente reactivos ordenan la corrección después de medir el desvío. Con retardos acumulados en sensores, procesamiento y actuadores, esa respuesta puede llegar cuando el remolino ya ha cambiado de dirección y reforzar accidentalmente la perturbación. En la simulación más exigente, el nuevo método mantuvo el desplazamiento lateral máximo por debajo de diez centímetros.
El control continuo también evita movimientos bruscos y correcciones excesivas. En vez de alternar entre un conjunto limitado de acciones, ajusta gradualmente la frecuencia y la amplitud. Este principio coincide con trabajos anteriores sobre control predictivo de robots submarinos, aunque la nueva aportación consiste en integrar memoria temporal y aprendizaje por refuerzo sin depender de un mapa completo de la corriente. Un estudio de Ocean Engineering de 2022 ya había mostrado la importancia de compensar perturbaciones externas en vehículos biomiméticos.
De un tanque controlado al océano
Los autores reconocen diferencias importantes entre la simulación, el laboratorio y una operación marina. La acumulación de organismos sobre el casco, las corrientes tridimensionales, el oleaje, la salinidad, las variaciones de temperatura y la presencia de obstáculos no fueron reproducidos conjuntamente. Los sensores presentaban una precisión aproximada del 1 %, y las pequeñas diferencias de instalación añadieron ruido a las mediciones. Tampoco se probó una misión prolongada con navegación, comunicaciones y carga científica simultáneas.
El trabajo demuestra, por tanto, una estrategia de control y no un vehículo listo para el despliegue comercial. El grupo propone estudiar algoritmos más recientes, como TD3 y SAC, capaces de reducir ciertos errores de estimación del DDPG, y trasladar el sistema a peces mecánicos con varias articulaciones. Si mantiene su rendimiento, podría aplicarse a vigilancia ambiental, inspección de infraestructuras y observación silenciosa de ecosistemas donde las hélices convencionales resultan menos adecuadas.
