Investigadores han desarrollado un sistema de control adaptativo para un pez robótico biomimético, permitiéndole navegar de manera eficiente en campos de flujo complejos caracterizados por calles de vórtices de Karman. Este avance es crucial para el desarrollo de vehículos submarinos autónomos (AUV) capaces de operar en entornos dinámicos y turbulentos, como los que se encuentran en entornos marinos o en inspecciones de infraestructuras subacuáticas. La capacidad de los peces reales para explotar estos vórtices para la propulsión y la maniobra ha inspirado este trabajo, buscando replicar esta eficiencia biológica en sistemas robóticos.

El método empleado combina una red neuronal de memoria a corto y largo plazo (LSTM) con un algoritmo de aprendizaje por refuerzo de gradiente de política determinista profundo (DDPG). La red LSTM se encarga de predecir el campo de flujo futuro basándose en datos sensoriales, mientras que el DDPG optimiza las acciones de control del robot para adaptarse a estas predicciones. Esta estrategia híbrida permite al pez robótico no solo evitar obstáculos y mantener su trayectoria, sino también aprovechar la energía de los vórtices para reducir el consumo energético y mejorar la agilidad, imitando la hidrodinámica de los peces biológicos.

Los resultados demuestran que el sistema de control propuesto mejora significativamente el rendimiento de navegación del pez robótico en comparación con métodos de control tradicionales. La capacidad de predecir y adaptarse a los cambios en el campo de flujo otorga al robot una mayor robustez y eficiencia energética. Este trabajo abre nuevas vías para el diseño de AUVs más inteligentes y autónomos, con aplicaciones potenciales en monitorización ambiental, exploración submarina y tareas de rescate, donde la navegación en entornos fluidos complejos es un desafío crítico.