Microorganisms such as algae and bacteria move in a viscous environment with extremely low Reynolds ($Re$), where the viscous drag dominates the inertial forces. They have adapted to this environment by developing specialized features such as whole-body deformations and flexible structures such as flagella (with various shapes, sizes, and numbers) that break the symmetry during the motion. In this study, we hypothesize that the changes in the flexibility of the flagella during a cycle of movement impact locomotion dynamics of flagellated locomotion. To test our hypothesis, we developed an autonomous, self-propelled robot with four flexible, multi-segmented flagella actuated together by a single DC motor. The stiffness of the flagella during the locomotion is controlled via a cable-driven mechanism attached to the center of the robot. Experimental assessments of the robot's swimming demonstrate that increasing the flexibility of the flagella during recovery stroke and reducing the flexibility during power stroke improves the swimming performance of the robot. Our results give insight into how these microorganisms manipulate their biological features to propel themselves in low viscous media and are of great interest to biomedical and research applications.


翻译:微生物(如藻类和细菌)在一个黏滞环境中运动,雷诺数极低($Re$),黏滞阻力占优势。它们通过开发特殊的功能(如全身变形)和灵活的结构(如不同形状、大小和数量的鞭毛)适应了这种环境,这些结构扰乱了它们的运动对称性。在本研究中,我们假设鞭毛在运动周期中的刚度变化影响了鞭毛游动的运动动力学。为了验证我们的假设,我们开发了一个自主、自驱动的机器人,它有四根柔性的、多段的鞭毛,由一个DC电机共同驱动。鞭毛在运动过程中的刚度通过连接在机器人中心的电缆驱动机构进行控制。实验评估表明,增加鞭毛复原阶段的柔性,并降低动力阶段的柔性,能够提高机器人的游泳性能。我们的研究结果揭示了微生物如何利用其生物学特征在低黏性介质中推进自身,并对生物医学和研究应用具有重要意义。

0
下载
关闭预览

相关内容

Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
【泡泡一分钟】基于运动估计的激光雷达和相机标定方法
泡泡机器人SLAM
25+阅读 · 2019年1月17日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
【泡泡前沿追踪】跟踪SLAM前沿动态系列之IROS2018
泡泡机器人SLAM
29+阅读 · 2018年10月28日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年5月25日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
【泡泡一分钟】基于运动估计的激光雷达和相机标定方法
泡泡机器人SLAM
25+阅读 · 2019年1月17日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
【泡泡前沿追踪】跟踪SLAM前沿动态系列之IROS2018
泡泡机器人SLAM
29+阅读 · 2018年10月28日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员