内容摘要
针对软体游泳机器人材料与执行器易退化、健康状态难监测的问题，作者提出REACH，将执行器健康度定义为实际与期望输出扭矩之比，用于估计鳗鱼仿生机器人的执行器退化与故障。
方法以软体游泳仿真平台ASSRSimP为预测模型，结合Sigma点卡尔曼滤波处理非线性，并用统计检验调节过程与测量噪声、评估滤波一致性。在五执行器机器人仿真中，作者比较GPS、IMU与弯曲传感器：后两者均能在三秒内检测各执行器故障，GPS在该测试中未能检测故障。传感器数量与布置实验显示，IMU置于A1、A4，或弯曲传感器置于A2、A4、A5，可达到论文定义的优秀估计表现。
真机验证采用三执行器软体机器人的弯曲传感器数据，先按满负荷游泳数据校准各执行器刚度，再估计其他工况。作者报告，多数工况的健康度估计准确，但部分结果存在偏移；故障状态预测较好，部分或完全正常执行器的精确健康值仍有误差。因此，仿真中的传感器配置结论与真机数据验证应分开理解。
点评
为软体游泳机器人的执行器退化监测提供了模型驱动方案，并给出特定仿真条件下的传感器选型与布置依据。
证据为作者论文中的仿真与真机数据验证，不应视为独立复现。真机连接外部泵与外部微控制器，且需校准执行器刚度；部分健康度估计存在偏移，不能据此推断自主水下任务能力。
版本与核查范围
版本 2608.14865v2 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #S1.p2.1；#S1.p4.1；#S3.SS1.p1.1；#S3.SS2.p4.1；#S7.p1.1；#S5.SS2.p1.1；#S5.SS2.SSS2.p2.1；#S5.SS2.SSS3.p2.1；#S6.SS1.p1.1；#S6.SS1.p2.1；#S6.SS1.p3.1；#S4.SS2.SSS1.p1.1