ARTICLE

International Journal of Advanced Robotic Systems

Dynamic Modelling of a CPG-Controlled

Amphibious Biomimetic Swimming Robot
Regular Paper

Rui Ding1, Junzhi Yu1,*, Qinghai Yang1 and Min Tan1

1 State Key Laboratory of Management and Control for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing, China
* Corresponding author E-mail: junzhi.yu@ia.ac.cn
 
Received 29 Mar 2012; Accepted 5 Feb 2013

DOI: 10.5772/56059

© 2013 Ding et al.; licensee InTech. This is an open access article distributed under the terms of the Creative
Commons Attribution License (http://creativecommons.org/licenses/by/3.0), which permits unrestricted use,
distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract  This  paper  focuses  on  the  modelling  and  1. Introduction 

control  problems  of  a  self‐propelled,  multimodal 
amphibious  robot.  Inspired  by  the  undulatory  body  The research into land‐water propulsors (i.e., amphibious 
motions  of  fish  and  dolphins,  the  amphibious  robot  robots) tends to attract engineers due to their fascinating 
propels  itself  underwater  by  oscillations  of  several  locomotion  agility  and  high  performance  [1–6].  Their 
modular fish‐like propelling units coupled with a pair of  potential  applications  involve  near‐shore  observatories, 
pectoral  fins  capable  of  non‐continuous  360  degree  search‐and‐rescue  missions  and  amphibious 
rotation.  In  order  to  mimic  fish‐like  undulating  reconnaissance,  etc.  In  view  of  engineering 
propulsion,  a  control  architecture  based  on  Central  implementations,  amphibious  robots  typically  adopt 
Pattern  Generator  (CPG)  is  applied  to  the  amphibious  wheel‐driven  [7],  legged‐type  [8]  or  wheel‐leg  hybrid 
robot  for  robust  swimming  gaits,  including  forward  and  mechanisms  [9]  for  locomotion  on  land.  Others  may 
backward  swimming  and  turning,  etc.  With  the  mimic snakes to crawl on land [2,10,11]. The legged‐type 
simplification  of  the  robot  as  a  multi‐link  serial  and  snake‐like  mobile  mechanisms  are  complex,  with 
mechanism,  a  Lagrangian  function  is  employed  to  maintenance  problems  and  partially  unexplored 
establish the hydrodynamic model for steady swimming.  sophisticated  approaches.  The  wheel‐driven  mechanism 
The  CPG  motion  control  law  is  then  imported  into  the  is  relatively  more  mature  and  simpler  to  design  and 
Lagrangian‐based  dynamic  model,  where  an  associated  control,  which  is  broadly  suitable  for  uncritical 
system  of  kinematics  and  dynamics  is  formed  to  solve  environments.  For  underwater  locomotion,  amphibious 
real‐time  movements  and,  further,  to  guide  the  robots generally utilize propeller impetus [4,9], snake‐like 
exploration  of  the  CPG  parameters  and  steady  anguilliform swimming [2,10,11] or fish‐like fin actuators 
locomotion  gaits.  Finally,  comparative  results  between  [1,5,12].  The  former  two  offer  slower  locomotion  speeds 
the  simulations  and  experiments  are  provided  to  show  and less efficient propulsion. As a fast, efficient and high‐
the effectiveness of the built control models.  mobility underwater propulsor, fish‐like swimming takes 
  advantage  of  conventional  rotary  propeller‐based 
Keywords Biomimetics, Dynamic Modeling, Amphibious  propulsion,  which  achieves  impressive  propulsion 
Swimming Robot  efficiency  by  coordinated  oscillations  of  the  body  and/or 

www.intechopen.com Int J Adv

Rui Ding, Junzhi Yu, Qinghai Robotic
Yang Sy, 2013,
and Min Vol. 10, Modelling
Tan: Dynamic 199:2013 1
of a CPG-Controlled Amphibious Biomimetic Swimming Robot
 fins.  As  a  distinctive  feature,  a  dolphin  propels  itself  by  travelling waves. Besides the disadvantages of poor anti‐
dorsoventral  oscillations  as  distinct  from  the  oscillations  interference  capability,  abrupt  modifications  of  control 
of  fish  tails,  which  are  confined  to  the  horizontal  plane.  parameters (in terms of wavelength, oscillating frequency 
Remarkably,  dolphins  display  superior  performance  in  and  amplitude,  etc.)  will  lead  to  a  discontinuousness  of 
terms  drag  reduction,  swimming  hydrodynamics  and  propulsive  waves,  which  in  turn  will  produce  non‐
manoeuvrability.  smooth  trajectories.  In  recent  years,  neurobiological 
studies  have  indicated  that  vertebrates  have  neural 
circuits  ‐  namely,  central  pattern  generators  (CPGs)  ‐  in 
their  spinal  cords  that  can  produce  patterns  of  the 
oscillations  necessary  for  locomotion.  Due  to  its 
robustness  and  the  limit  cycle  property  [16],  the  CPG‐
based control approach can be employed well to produce 
rhythmic movements, such as legged walking, flying and 
swimming.  In  addition,  a  robot  swimming  underwater 
will  interact  with  the  surrounding  fluid.  The  strong 
coupling  and  nonlinearity  between  them  mean  that 
highly effective motion control remains unresolved. 
 

 
Figure 1. Mechanism design of AmphiRobot‐II. (a) Concept 
design. (b) Fish‐like swimming mode. (c) Dolphin‐like 
swimming mode. 

In synthesizing the motion characteristics of both ground 
mobile  robots  and  underwater  robots,  this  paper  mainly 
presents  a  novel  amphibious  robot  called  “AmphiRobot‐  
II”  with  a  pair  of  bio‐inspired  wheel‐propeller‐fins.  It  is  Figure 2. Configuration of the CPG model for the AmphiRobot‐II. 
an  improved  version  of  the  AmphiRobot‐I  developed  in 
In  this  paper,  CPG‐based  locomotion  control  in 
[12].  As  shown  in  Figure  1,  mechanically  the  robot  is 
conjunction  with  Lagrangian  dynamics  is  employed  to 
composed of a head with wheel‐propeller‐fins, three fish‐
tackle  the  aquatic  propulsion  of  AmphiRobot‐II.  In 
like  propelling  units  and  a  flapping  caudal  fin.  When 
particular, the integration of the Lagrange dynamics and 
moving  on  land,  the  robot  implements  wheel‐based 
the  CPG‐based  control  guides  the  search  for  CPG 
movements, whereby the wheel‐propeller‐fins function as 
parameters,  steady  locomotion  gaits  and  preliminary 
wheels;  when  swimming  in  water,  the  robot  performs 
validation,  greatly  facilitating  the  creation  of  versatile 
fish‐like (lateral oscillations) or dolphin‐like (dorsoventral 
gaits.  As  a  result,  the  amphibious  robot  equipped  with 
oscillations)  propulsion,  where  the  wheel‐propeller‐fins 
wheel‐propeller‐fins  successfully  possesses  more  novel 
function as pectoral fins. Specifically, the robot takes fish‐
amphibious  gaits,  enhancing  its  motion  ability  and 
like  swimming  as  the  primary  underwater  propulsor  by 
possible operations. 
utilizing  the  travelling  waves  of  body  undulation 
 
transmitted  from  head  to  tail.  That  is,  several  fish‐like 
The rest of the paper is organized as follows. In Section 2, 
oscillating  hinge  joints  (J1–J4)  comprise  the  drive 
the  adopted  CPG‐based  locomotion  control  is  briefly 
mechanism  (yaw  control)  while  coordinated  with  the 
described.  The  formulated  Lagrangian  dynamics  are 
pectoral  fins  (pitch  control).  A  specially‐designed 
detailed  in  Section  3.  The  simulated  and  experimental 
swivelling  mechanism  is  further  designed  to  rotate  the 
results  are  provided  in  Section  4.  Finally,  Section  5 
posterior  body  by  ±90°  (roll  control)  to  switch  gaits 
concludes the paper with an outline of future work. 
between fish‐ and dolphin‐like modes. 
  2. CPG‐based multimodal locomotion control 
To  generate  a  fish  body  wave,  Lighthill  proposed  a 
carangiform  propulsive  wave  equation  in  the  1960s  [13].  To  estimate  the  oscillation  property  of  a  fish  body, 
In 1996, Barrett et al. developed an experimental model of  Lighthill’s  elongated  body  theory  has  been  widely  used 
the RoboTuna’s swimming kinematics in terms of a set of  to  generate  a  propulsive  travelling  wave.  Many  other 
seven  key  parameters  that  can  determine  swimming  aspects of fish‐swimming behaviour have been studied to 
performance  [14].  These  sine‐based  approaches  use  shed  light  on  the  propulsion  mechanism,  which 
simple  time‐indexed  sine‐based  functions  for  generating  demonstrates  an  implied  undulatory  wave  travelling 

2 Int J Adv Robotic Sy, 2013, Vol. 10, 199:2013 www.intechopen.com

from head to tail with increasing amplitude. Meanwhile,  the control command to drive the pectoral fin. The actuated 
neurobiology  studies  reveal  that  fundamental  rhythmic  joint angle signals of the pectoral fins can be expressed as 
motor  patterns  in  locomotion  are  generated  by  CPGs  in  L   9  a 9 , R  10  a10 ,  which  are  modulated  to  be 
various  organisms.  CPGs  are  networks  of  neurons  that  positive‐negative.  The  tail  CPGs  are  made  up  of  eight 
can  produce  coordinated  oscillatory  signals  without  oscillators  ‐  i.e.,  O1–O8,  every  two  of  which  constitute  a 
oscillatory inputs from sensory feedback or higher control  CPG  unit  for  each  oscillating  joint  (J1–J4).  The  subtraction 
centres,  which  have  become  widely  used  in  robotics  of the output of the left and right body oscillators in each 
recently [15–18]. The CPG‐based controller, in particular,  oscillating joint is utilized to actuate the homologous joint 
has  the  quality  of  distributed  control  and  the  ability  to  (i.e.,  i   i  4   i  (i=1, ..., 4).  dleft  and  dright  represent the 
deal with redundancies and fast control loops, as well as  input drive received by the left and right body of the robot, 
permitting  the  modulation  of  locomotion  by  simple  which  decide  the  oscillation  frequency  and  amplitude  of 
control  signals  [15].  As  such,  it  is  well‐suited  for  the  oscillators  in  the  left  and  right  parts,  as  illustrated  in 
locomotion  control  in  dealing  with  multi‐articulate  or  Figure 2). Hereafter,  dleft  and  dright are abbreviated as  dL  
multi‐DOF‐related  applications.  Since  the  swimming  of  and  d R .  Two  saturation  functions  ‐  i.e., f  g f (d)   and 
fish relies on rhythmic activities through oscillations of a  A  g A (d)   ‐  have  been  designed  to  determine  the 
multi‐joint body and fins, a CPG is an appropriate tool for  oscillation frequency and amplitude once the input drive  d 
modelling  the  kinematics  of  the  underwater  locomotion  is given. Again, due to space limitations ‐ for more details 
of the amphibious robot. As the kernel of the CPG model,  about  the  adopted  CPG  model  ‐  please  refer  to  [21].  It  is 
a  phase  oscillator  with  controlled  amplitude  based  upon  worthwhile to note that, compared with the CPG model in 
the  Kuramoto  model  is  utilized  to  achieve  the  [19],  bio‐inspired  low‐cut‐type  frequency  and  amplitude 
synchronization  of  multiple  oscillators  so  as  to  ensure  saturation  functions  are  imported.  That  is,  an  active 
coordinated movements of multiple joints [19,20]:  oscillatory  length‐based  control  strategy  loosely  inspired 
from the speed regulation observed in cyprinoids is used to 
i  2 fi   a jw ij sin(j  i   ij  u i ) achieve  the  effect  whereby  different  lengths  of  the  body 
 jT(i) participate in the oscillations at various speeds. Notice also 
 that  the  CPG  parameterʹs  determination  is  a  somewhat 
  i 
  a i   i  (Ai  a i )  a i 
            (1)  complex  and  tedious  process.  With  our  method,  a  trial‐
  4 
and‐error  procedure  based  on  dynamic  simulation  was 


  i  a i 1  cos(i ) , first  employed  to  obtain  the  parameters,  offering  an 

opportunity  to  find  a  preliminary  parameter  set. 
Subsequent physical testing on the robot was conducted in 
where  i   and  ai  represent  the  state  variables 
order  to  refine  the  preliminary  parameter  space  until  a 
(respectively,  the  phase  and  amplitude  of  oscillator  i),  fi 
satisfactory performance resulted. Table 1 lists the coupling 
and  Ai  determine  its  intrinsic  frequency  and  amplitude 
weights  used  between  the  CPG  elements.  Notice  that  two 
(see Figure 2b), and  τi is a positive constant determining  types of weights (see the notation 0/30 in Table 1) are preset 
the speed at which ai converges on Ai. Couplings between  from the tail CPG onto the pectoral CPG. When the robot 
oscillators are defined by the weights wij and phase biases  swims slowly, the weight will be 0. During fast swimming, 
γij.  A  positive  oscillatory  signal   i   for  oscillator  i  the weight will be set as 30. 
represents  the  resultant  burst  serving  as  the  output   
signal.  T(i)  is  the  discrete  set  of  oscillators  inflicting  Variable Symbol Tail CPG  Pectoral 
inbound  couplings  with  oscillator  i.  ui  is  the  feedback  CPG
signal related to oscillator  i. Note that the feedback signal  Coupling in (downwards)  [wij,  [10, π/4] 
is  usually  an  integral  component  of  the  differential  γij] 
tail CPG (upwards) [wij, γij]  [10, –π/4] 
equations  that  govern  the  CPGs.  For  our  amphibious 
(contralateral) [wij,  [10, π] 
robot,  infrared  sensors  (providing  obstacle  information),  γij]
pressure  sensors  (providing  water  depth  information)  Coupling from [w1,9, γ1,9] [0/30, 3π/4]
and  liquid‐level  sensors  (providing  presence/absence  the  tail  CPG  to  the  [w2,9, γ2,9] [0/30, 2π/4]
information in relation to water) can be used to modulate  pectoral CPG  [w3,9, γ3,9]  [0/30,π/4]   
the performance of the CPGs in overcoming the external    [w4,9, γ4,9]  [0/30, 0]   
[w5,10, γ5,10]  [0/30, –π/4]
impact  on  the  dynamic  motion.  We  would  like  to  note 
  [w6,10, γ6,10]  [0/30,  –  
that the sensory feedback modulation is not described in    [w7,10, γ7,10]  2π/4]   
this paper due to space limitations.    [w8,10, γ8,10]  [0/30,  –  
  3π/4] 
As  illustrated  in  Figure  2,  the  CPG  network  for  [0/30, –π/] 
AmphiRobot‐II  comprises  tail  CPGs  and  pectoral  CPGs.  Coupling in the   [10,0]
pectoral CPG  
The  pectoral  fin  on  each  side  corresponds  to  a  nonlinear 
oscillator, O9 and O10 separately, with the output signal as  Table 1. Coupling weights between the CPG elements. 

www.intechopen.com Rui Ding, Junzhi Yu, Qinghai Yang and Min Tan: Dynamic Modelling 3
of a CPG-Controlled Amphibious Biomimetic Swimming Robot
  
Figure 3. Dynamic model of the amphibious  swimming robot. (a) System configuration of a five‐link serial mechanism and reference 
frames  description.  (b)  Pressure  on  the  ith  link.  (c)  Approach  stream  pressure  on  the  head.  (d)  Friction  drag.  (e)  Pressure  on  the  left 
pectoral fin. 

3. Hydrodynamic modelling  coordinate  system  (WRCS)  XOY  is  established  with  the 

origin  placed  at  the  starting  point  of  the  second  link.  At 
3.1 Kinematic analysis based on the multi‐link serial  the  initial  moment,  the  robot  body  is  adjusted  to  a  line 
mechanism  while the  X‐axis directs towards the head with the  Y‐axis 
The  determination  of  an  optimal  locomotion  gait  for  towards  the  left  side  of  the  robot.  Specifically,  θi  is  the 
AmphiRobot‐II  present  an  acutely  challenging  problem,  angle  between  the  ith  link  and  the  X‐axis  (i=  1,  2,  …,  5). 
involving  the  robotʹs  body  kinematics  and  the  L  is the joint angle between the left pectoral fin and the 
hydrodynamics  of  the  surrounding  water.  The  horizontal  plane,  while  R   serves  for  the  right  pectoral 
intractability  of  the  hydrodynamics  of  a  flexible  body  fin.  Similarly,  i   denotes  the  angle  between  the  (i+1)th 
involves  various  uneasily‐enveloped  factors,  such  as  link and the extension line of the  ith link (i=1, …, 4) ‐ i.e., 
added  mass,  trailing  vortex  effects  and  leading‐edge  the  relative  joint  angle  of  the  (i+1)th  link.  Note  that  the 
suction,  etc.  For  the  purpose  of  simulation,  a  simple  joint  angles  i ,  L   and  R   serve  as  the  input  control 
physical  model  of  AmphiRobot‐II  is  created  to  test  signal to the system, and are derived from the above CPG 
various locomotion gaits.  model  such  that  all  joint  angles  are  anti‐clockwise 
  positive. (xi−1, yi−1) and (xi, yi) are, individually, the starting 
Figure  3a  shows  a  simplified  five‐link  mechanism  and  point  and  the  end  point  of  the  ith  link.  (xfi , yfi )   and 
pectoral  fins  where  the  first  link  corresponds  with  the  (xgi ,ygi )  are the centroid (centre of figure) and barycentre 
head  attached  by  the  first  modular  propelling  unit  and  of  the  ith  link  separately.  lfi and  l gi are  the  lengths 
the  last  with  the  caudal  fin.  The  world  rectangular  between  (xi−1,  yi−1)  and  (xfi , yfi ) ,  (xgi ,ygi ) ,  respectively. 
(xfL ,yfL )   and  (xgL ,ygL )   are  the  centroid  and  barycentre  of 

4 Int J Adv Robotic Sy, 2013, Vol. 10, 199:2013 www.intechopen.com

the left pectoral fin separately. The symbols for the right  bonus  offered  by  our  robot,  repeatable  experiments  can 
pectoral fin are just empathetic, denoted by  (xfR ,yfR )  and  easily  be  conducted  to  verify  the  simulated  swimming 
(xgR ,ygR ) .  Unless  otherwise  stated,  the  abbreviations  of  L  model in the Mathematica environment, which makes the 
and R represent the left and right sides of the robot.  hydrodynamics computation tractable. 
   
From  Figure  3,  the  position  of  the  centroid  in  each  link  For  the  convenience  of  theoretical  analysis,  some 
can be expressed as:  suppositions are made below: 
 
 Supposition  1:  The  fluid  is  stationary  and  the  forces 
 f f
   f f
 x1 , y1  x1  (l1  l1 )cos1 , y1  (l1  l1 )sin 1

 acting  on  a  single  link  are  due  only  to  the  motion  of  the 
link.  Meanwhile,  the  deformation  of  the  robot  body  can 

  
   xf , y f  x  l f cos , y  l f sin 
2 2 1 2 2 1 2 2  (2) 
be ignored, except for the motion of the links and pectoral 
 f f  i 1 i 1  fins. 



 x i , y i   x1   l j cos j l i cos  i , y1   l j sin  j l i sin  i 
f f
 
 j 2 j 2 
Supposition 2: The pressure differentials in the directions 
i 1 parallel to the moving body are decoupled from pressure 
where  1   2  1 ,  i   2   j  and i=3,4,5.  differentials perpendicular to the body. 
j 2
 
  Supposition 3: The reference position for the pectoral fins 
We can get the velocities of the  ith link relative to water ‐  is  defined  as  the  location  that  the  pectoral  fins  are  at 
i.e.,  x fi  and  y fi  within the space‐fixed coordinate system.  when they are in the horizontal plane.  
The  velocities  are  further  resolved  into  components   
parallel and perpendicular to the link, namely:  The  instantaneous  force  is  out  of  balance  in  the  vertical 
plane.  Taking  into  account  the  intrinsic  frequency  of  the 
  dxf dy f oscillating  joint  and  oscillation  symmetry,  the  vertical 
v i  i sin  i  i cos i
 dt dt movement  is  temporarily  suspended.  AmphiRobot‐II 
                        (3) 
f
  dxi dy fi mainly  employs  fish‐like  swimming,  where  the 
v i  dt cosi  dt sin i swivelling body device is casually disabled. To lay out a 
primary  design  scheme,  the  overall  buoyancy 
As  distinct  from  the  links  oscillating  in  the  horizontal  counterbalances  the  gravity  and  only  the  forces  in  the 
plane,  the  pectoral  fins  keep  oscillating  in  the  vertical  horizontal  direction  are  taken  into  consideration  (e.g., 
plane. As shown in Figures 3a and 3e, the centroid of the  thrust and resistance). The 3‐D dynamic analysis will not 
left pectoral fin can be obtained:  be considered for the moment. 
 
 xL  x1  (l L  l L cos L )cos1  l c sin 1
f f
  .           (4)  The  potential  energy  is  constant  (E)  according  to 
 f f
 y L  y1  (l L  l L cos L )sin 1  l c cos1 Supposition  3. The  kinetic  energy  of  each  link  comprises 
translational  kinetic  energy  within  WRCS  and  the 
Likewise,  the  velocity  of  the  pectoral  fins  can  be  rotational  kinetic  energy  within  the  centre‐of‐mass 
formulated as below:  system.  Thus,  the  Lagrangian  function  will  be  expressed 
as follows: 
  v L  x fL cos1 sin L  y fL sin 1 sin L .            (5) 
5 5
1 1 1 1
3.2 Lagrangian dynamic modelling  L   m i v i2   I i w i2  m L v L2  I L w L2
i 1 2 i 1 2 2 2
          (6) 
1 1
The commonly used approaches to fluid‐body interaction   m R v R  I R w R2  E
2

have  focused  on  twoaspects.  The  former  involves  a  2 2

reduced Lagrangian formulation, where a fish is taken to 
where  m i  is the mass of the  ith link,  vi  is the velocity of 
be a rigid body with the action of the tail [22]. The latter is 
based  on  a  highly  simplified  quasi‐static  lift  and  drag  the  ith  link,  Ii   is  the  estimated  moment  of  inertia  of  the 
model  of  forces  acting  on  the  fish  body  and  tail  [23].  ith  link  under  the  centre‐of‐mass  system,  and  w i   is  the 
Morgansen  et  al.  have  extensively  presented  a  modest  angular velocity of the  ith link derived by the differential 
model  of  the  latter  [24].  The  designed  modular  of the angle  θi. Note that when ‐ in order to compute  L ‐ 
amphibious  robot  can  be  regarded  as  a  multi‐link  serial  x1,  y1  and  θ2  are  chosen  as  the  generalized  coordinates. 
mechanism  coupled  with  pectoral  fins  and  represented  Let  X=x1,  Y=y1  and  Θ=θ2,  we  can  then  rewrite  the 
by  thin  plates,  which  can  be  solved  by  the  Lagrangian  Lagrangian  L as  L(X,Y,Θ). Thus, Lagrange’s equations of 
function with explicit joint angles as input variables. As a   the second kind can be given by: 
 

www.intechopen.com Rui Ding, Junzhi Yu, Qinghai Yang and Min Tan: Dynamic Modelling 5
of a CPG-Controlled Amphibious Biomimetic Swimming Robot
  d L L produces the perpendicular pressure and parallel friction 
FX  dt X  X drag  in  relation  to  the  surface.  The  thickness  of  the 

 d L L pectoral fin is small and the friction drag can be ignored 
  FY  
 Y                             (7)  simply by considering the perpendicular component that 
 dt Y
 d L L contributes  to  propulsion  (see  Figure  3e).  As  with  the 
M   dt  
  moving links, the pressure on the pectoral fin is given by: 

FL   L v L |v L | ,  L   C1SL / 2 ,  where  C1  is  the  shape 
where  FX  and  FY  are  the  compositions  of  the  coefficient  adopting  the  flat plate‐type,  SL  is  the  effective 
hydrodynamic  forces  on  the  X  axis  and  Y  axis,  area of the left pectoral fin and  v L  is the normal velocity 
respectively.  MΘ  is  the  moment  about  the  point  (X,  Y).  perpendicular to the surface of the left pectoral fin which 
Notice  that  X,  Y  and  MΘ  are  the  functions  of  time  can be calculated from (5). 
evolution    ‐  i.e.,  X(t),  Y(t)  and  MΘ(t)  ‐  which  are   
fundamentally decided by the joint actuation laws.  Similarly,  FL   is  resolved  into  components  along  the 
direction of the head and perpendicular to the surface of 
3.3 Hydrodynamic force approximation  the  pectoral  fin.  The  perpendicular  component  mainly 
The interaction of a robot swimming underwater with the  contributes  to  an  up‐and‐down  locomotion,  which  will 
fluid flow is a crucial issue that remains unresolved. The  not  be  considered  here.  The  force  along  the  head  can  be 
hydrodynamic aspects of swimming have been described  expressed as below: 
in  various  models  [25,26].  In  many  cases,  some   
simplifications  are  necessary.  To  calculate  the  resultant  FL sin L  (FL sin L cos1 )i  (FL sin L sin 1 ) j  
forces, a large Reynolds number is applied and all of the   
where  i  and  j  are the unit vectors along the  X axis and  Y 
forces  acting  on  any  propulsive  element  are  due  to  the 
motion of that element in the fluid. The movement of any  axis,  respectively.  Corresponding  results  for  the  right 
object  through  a  stationary  fluid  causes  an  increase  in  pectoral fin can be obtained by analogy, as denoted by  FR . 
pressure  in  front  of  the  object  and  a  decrease  behind  it. 
3.3.2 Approach stream pressure 
The  different  pressures  on  the  two  sides  also  give  a  net 
drag  force  to  the  object,  counteracting  the  movement.  During  swimming,  the  robot  suffers  from  a  resulting 
Forces  acting  on  the  body  from  the  surrounding  water  force  which  acts  upon  the  head  in  opposition  to  the 
depend upon the speed of the body relative to the water.  motion  ‐  i.e.,  the  approach  stream  pressure  (see  Figure 
The  movement  of  robot’s  propulsive  elements  through  3c). Owing to a larger cross‐section of the head with small 
the fluid causes pressure differentials to develop on either  oscillation  amplitudes  of  the  rear  body,  the  drag  forces 
side of the elements, resulting in drag forces in opposition  acting  on  the  other  links  can  be  ignored,  except  for  the 
to  the  motion.  Next,  each  link  is  acted  upon  by  three  head.  The  drag  force  on  the  head  is  given  by: 
forces:  pressure  on  the  links,  the  approach  stream  F1   1 v1 |v1 |,  where  v1   is  the  component  of  the 
pressure and friction drag.   velocity parallel to the surface of the head relative to the 
fluid,  which  is  determined  by  (3).  1   C2S  / 2   is  the 
3.3.1 Pressure on the links 
drag  coefficient  with  C2  of  the  bullet‐type  [25]  ‐  i.e.,  C2  = 
While  oscillating,  the  hydrodynamic  force  acting  0.295.  S   is the cross‐section area of the head. 
perpendicular to the surface of the ith link is the thrust for 
3.3.3 Friction drag 
advancement  (see  Figure  3b),  which  is  given  by: 
Fi   i v i |vi | ,  where  v i   is  the  component  of  the  Friction drag arises as a result of the viscosity of the fluid 
velocity perpendicular to the surface of ith link relative to  flow between the fish body and the boundary layer of the 
the  fluid,  which  can  be  obtained  from  (3).  Likewise,  water  (see  Figure  3d).  The  movement  of  the  robot’s 
i   C1S i / 2   is  the  drag  coefficient  with  C1  of  a  flat  propelling  units  through  the  fluid  causes  friction  drag 
plate‐type (i.e.,  C1 = 1.28 [27].  Si is the effective area of the 
parallel  to  the  propelling  units,  resulting  in  drag  forces 
ith link). 
adverse  to  the  motion.  It  is  empirically  evaluated  as 
 
20−50%  of  the  approach  stream  pressure  (i.e., 
Many  fish  balance  vertical  forces  by  continually 
Ff  (0.2  0.5)F1 ).  In  view  of  the  matte  body  of 
swimming,  with  their  pectoral  fins  flapping  and  while 
AmphiRobot‐II, a factor of 50% is adopted here. 
maintaining  a  steady  swimming  speed.  Thanks  to  the 
pectoral fins mounted on both sides of the head, the robot  3.3.4 Composition of the hydrodynamic forces 
is  more  agile  for  turning  or  maintaining  balance  in  the 
water.  The  propulsive  forces  generated  by  the  pectoral  By  resolving  all  of  the  above  forces  in  the  WRCS,  the 
fins in conjunction with the rear body promote the robot  components  of  the  forces  in  the  direction  of  the  X‐axis 
in  moving  forwards.  While  oscillating,  the  pectoral  fin  and the Y‐axis can be rewritten as: 

6 Int J Adv Robotic Sy, 2013, Vol. 10, 199:2013 www.intechopen.com

  5
mi  li  l gi   lfi   Si  Ii 
Fx   Fix  FLx  FRx  F1x  Ffx
   
Terms 
 (kg)  (mm) (mm)  (mm)  (mm2)  (10–4kg∙m2) 
i 1
                     (8) 
5 Head  31253 (S1) 
F  F   F   F   F   F
 y  iy
3.075 324.0  146.0  162.0  269 
Ly Ry 1y fy (i=1)  12544 (SΔ) 
 i 1
1st link 
0.605 103.5  72.5  58.0  8797.5  5.4 
(i=2) 
where  Fix  Fi sini ,  Fiy  Fi cos i   (i=1,…,5);  2nd link 
0.875 123.5  87.5  68.0  10497.5  11 
(i=3) 
Fix  Fi cos1 ,  Fiy  Fi sin 1 ,  
Fkx  Fk sin k cos1 ,  Peduncle 
0.170 56.0  25.0  28.0  1710  0.44 
(i=4) 

Fky  Fk sin  k sin 1  (k=L,R) and  Ff  50%F1 . 
Caudal fin 
0.040 73.5  45.0  37.0  5800  0.18 
  (i=5) 
The  composition  of  moment  acting  on  the  hinged  joint  Left Pec.  242 
0.095 35.0  50.0  7956  0.82 
point (X, Y) is given by:  (i=L)  83 (lc)
Right Pec.  242 
0.095 35.0  50.0  7956  0.82 
5 5 (i=R)  83 (lc)
M   [Fix (yfi  Y)]   Fiy (xfi 
 X)  FLx (y Lf  Y)
  i 1 i 1    (9)  Table 2. Feature parameters of AmphiRobot‐II for the dynamic 
simulation. 

 FRx (yfR  Y)  FLy

(xLf 
 X)  FRy (xRf  X)
4. Simulations and experiments 
Based on (7)–(9), a system of partial differential equations 
of X, Y , Θ, and t can be obtained:  4.1 Simulations  

 5 By  assigning  the  same  drive  between  the  left  and  right 
FX   Fix  FLx  FRx  F1x  Ffx
   
sides  of  the  model  ‐  e.g.,  dL=dR=3  ‐  the  corresponding 
 i 1
 5
oscillatory  frequencies  and  amplitudes  for  moving  joints 
FY   Fiy  FLy  
 FRy 
 F1y  Ffy can be obtained from the CPG model, which can then be 
   i 1  (10)  imported into the Lagrangian model. Figure 4a shows the 
 5 5
M    [Fix (y if  Y)]   Fiy (xif  X)  FLx 
(y Lf  Y) displacement  of  the  point  (X,Y),  where  the  robot  moved 
 i 1 i 1 in the negative‐direction of the  X‐axis. The orientation is 
 not  strictly  in  the  negative  direction,  for  the  reason  that 
  FRx 
(y Rf  Y) FLy

(x fL  X)  FRy

(xfR  X)
the  forces  acting  upon  the  robot  are  not  absolutely 
symmetrical  at  the  start  time,  as  illustrated  in  Figures  4c 
To further solve the above equations, some initial values 
and  4d.  The  oscillation  curve  of  Θ  in  Figure  4b  partly 
should be given. Suppose that the robot is at the origin at 
demonstrates  the  relative  accuracy  of  the  hydrodynamic 
the  initial  moment  and  that  the  robot  body  maintains 
model.  The  moment acting on the point (X,  Y) is plotted 
itself  motionless  in  a  line  ‐  i.e.,  X(0)=0,  Y(0)=0,  Θ(0)=0, 
in  Figure  4e.  It  is  a  vital  parameter  for  the  servomotor 

X(0) 
 0 ,  Y(0)  0 ,    (0)  0   ‐  and  that  the 
selection  and  the  maximum  moment  of  the  servomotor 
hydrodynamic  model  is  then  decided  by  (10).  should  satisfy  the  simulation  result.  With  the  simulated 
Furthermore,  the  body  parameters  such  as  masses,  results, the average velocity can be estimated by: 
lengths and lateral areas for all the links and the pectoral   
fins, are needed. The parameters measured and estimated 
φ(rad)
from the physical robot are listed in Table 2. In particular,  φR
the  joint  angles  i ,  L   and  R   ‐  i.e.,  oscillation  motion  10

laws  ‐  are  directly  obtained  from  the  CPG  model.  With  φL

8
such  parameters,  the  real‐time  swimming  performance  φ1
can  be  numerically  estimated  interactively.  In  turn,  6

suitable CPG control parameters and conceived gaits can  φ2
4
be  searched  and  eventually  better  locomotion  φ3
performance will be acquired.  2
φ4
 
0
Notice  that,  in  a  similar  fashion  to  the  hydrodynamic  t (s)
5 10 15 20
modelling  of  fish‐like  lateral  motions,  dolphin‐like  -2  
dorsoventral motions can be dynamically simulated with  9cm Y (m)
the  same  kinematic  analysis  and  hydrodynamic  force  X (m)
-6 -5 -4 -3 -2 -1 0
approximation  [28].  Hence,  a  comparison  between  fish‐ 
(a)
and dolphin‐like swimming in the same robotic platform   
becomes available. 

www.intechopen.com Rui Ding, Junzhi Yu, Qinghai Yang and Min Tan: Dynamic Modelling 7
of a CPG-Controlled Amphibious Biomimetic Swimming Robot
 Θ (rad)
Simulated data
0.2 Experimental data
Start point Y (m)
0.1
X (m)
-1.0 -0.5 0 0.5 1.0
0 t (s)
5 10 15 20
-0.1
-0.5
-0.2

-1.0
(b)
Fx (N)

1.0 -1.5
0.5

0 t (s)
5 10 15 20 -2.0
-0.5

-1.0
 
(b) 
-1.5
Figure 5. Simulated turning gait. (a) Actuated joint angle signals 
(c) from the CPG model. (b) Comparison of turning trajectories. 
Fy (N)
3     (X(t s  T)  X(t s ))2  (Y(t s  T)  Y(t s ))2 / T   (11) 
2
1 where ts is an arbitrary time after the simulation is steady 
0 t (s)
and  T  is  the  oscillating  period  indirectly  obtained  from 
5 10 15 20
-1
the  oscillating  frequency.  The  velocity  curve  obtained  in 
Figure  4f  indicates  the  motion  stability  after  several 
-2
periods, and the steady average velocity is 0.335 m/s. 
-3
 
(d) Meanwhile,  turning  can  be  induced  when  asymmetrical 
drives are applied between the left and right sides of the 
MΘ (N·m)
1.0
CPG  model.  The  robot  will  turn  towards  the  side 
receiving  the  higher  drive.  The  posterior  body  keeps 
0.5 oscillating  at  a  common  frequency  in  terms  of 
synchronization,  which  is  in  vain  for  modulating  the 
0 t (s) direction.  The  turning  gait  will  mostly  be  credited  to 
5 10 15 20
asymmetrical oscillation amplitudes of all the joints in the 
-0.5
posterior body, with the side receiving higher input drive 
-1.0 oscillating  at  higher  amplitudes,  as  shown  in  Figure  5a. 
The  turning  motion  simulation  is  displayed  in  Figure  5b 
(e) at  dL=1.5  and  dR=3.5,  and  the  average  turning  radius  is 
n (m/s) around 1.15 m. Notice that the pectoral fins will oscillate 
0.32
in  their  own  intrinsic  frequencies  due  to  unattained 
critical  input  drive  during  swimming.  The  differences  of 
0.30
the oscillatory frequencies and amplitudes of the pectoral 
0.28
fins  on  both  sides  will  also  help  turning  and  assist  with 
0.26 propulsion.  The  successful  simulations  of  forward  gaits 
0.24 and  turning  gaits  show  the  effectiveness  of 
0.22 t (s)
hydrodynamic modelling in describing yaw motions. 
5 10 15 20
 
(f) In  addition,  by  modulating  the  attack  angle  of  the 
 
pectoral fins, the robot is able to achieve an up‐and‐down 
Figure 4. Simulated forward gait. (a) Forward swimming 
trajectory. (b) Oscillatory angle signal of Θ. (c) Hydrodynamic 
motion,  termed  ʹpitching  gaitʹ.  Figure  6  shows  the 
forces acting on the X‐axis. (d) Hydrodynamic forces acting on  comparative  results  between  simulations  and 
the Y‐axis. (e) Moment acting on (X,Y). (f) Average velocity at  experiments  on  the  pitching  gait,  where  the  attack  angle 
every period.  increases from 0 to 60º, with a step of 10º. The simulated 

8 Int J Adv Robotic Sy, 2013, Vol. 10, 199:2013 www.intechopen.com

data  largely  conforms  to  the  experimental  data  over  the  are  measured  at  drives  ranging  from  1.0  to  4.0,  with  a 
whole  range  of  attack  angles,  demonstrating  the  validity  step  of  0.5.  As  the  equal  input  drives  cannot  serve  as  a 
of hydrodynamic force analysis in relation to the pitching  guarantee  of  actual  locomotion  in  a  straight  line  ‐  the 
motions.  More  interestingly,  Figure  7  depicts  the  measurement  has  been  run  three  times  for  a  specific 
comparison  results  of  fish‐  and  dolphin‐like  modes.  The  drive. The average velocity can thus be calculated. 
simulation demonstrates that the dolphin‐like swimming   
precedes  the  fish‐like  mode,  with  a  higher  speed  At present, the robot is able to achieve different forward 
comprising  a  6%  increase  at  a  maximum  input  drive  gaits  in  BCF  mode  (by  oscillating  only  the  body  and/or 
dl=dr=5, though it is less remarkable. In particular, aquatic  caudal fin) or in PF mode (by oscillating only the pectoral 
experiments  verify  this  trend.  The  established  dynamic  fins), or their combination PF+BCF. Figure 8 demonstrates 
model that is capable of fish‐ and dolphin‐like swimming  how  the  input  drive  affects  the  propulsion  velocity  in 
simulation  further  verifies  the  effectiveness  of  the  whole  different  forward  gaits.  The  velocity  curves  partly 
hydrodynamic  analysis  when  primarily  involving  three  confirm  the  biology‐inspired  concept  that  fish  typically 
types of forces.  rely  on  the  BCF  mode  for  propulsion  while  employing 
the  PF  mode  for  manoeuvring  and  stabilization.  The 
20
—— Simulated data velocity  increases  with  the  drive  and  attains  the 
19
—— Experimental data maximum velocity when the input reaches the maximum 
18
acceptable  drive.  The  experimental  results  generally 
Picthing speed (cm/s)

17 agree  with  the  simulated  velocity  curve  despite  the 

16 existence  of  small  errors.  This  could  be  due  to  an 
15 inaccurate  model,  a  simplified  mechanical  analysis  and 
14 initial random parameters. 
 
13
12 0.4
Simulated data (PF)
11 0.35 Simulated data (BCF)
Simulated data (PF+BCF)
10
10 20 30 40 50 60 0.3 Actual data (PF+BCF)
Attack angle of the pectoral fins (degree)   0.25
n (m/s)

Figure 6. Comparison of simulated and actual pitching gait via  0.2
modulating attack angle of the pectoral fins. 
0.15
0.5
0.1
0.45 Simulated fish−like propulsion
Simulated dolphin−like propulsion
Actual fish−like propulsion 0.05
0.4 Actual dolphin−like propulsion
0
0.35 1 1.5 2 2.5 3 3.5 4
0.3 dL=dR
 
v (m/s)

0.25 Figure 8. Propulsion comparison of different forward gaits. 
0.2

0.15
Furthermore,  a  series  of  terrestrial  and  aquatic 
locomotion  gaits  were  successfully  implemented  (see 
0.1
Figure 9), which can significantly expand the operational 
0.05
field  and  capability  of  the  amphibious  robot.  Currently, 
0
1 1.5 2 2.5 3 3.5 4 4.5 5 the gait transition is primarily induced by modulating the 
d (dimensionless)   activity  of  the  CPG,  the  attack  angle  of  the  mechanical 
Figure 7. Comparison of simulated and actual propulsive speeds  pectoral  fins  or  else  the  swivelling  mechanism.  As  a 
between fish‐like and dolphin‐like modes.  quantitative  case,  the  average  turning  radius  shown  in 
Figure  9d  is  approximately  0.95  m,  which  is  minor  in 
4.2 Experiments 
contrast  with  Figure  5b.  This  mainly  owes  to  the  larger 
The experiments were performed in a lake and the drive  bending  of  the  rear  body  and  the  approach  stream 
signals  were  generated  through  wireless  communication  pressures  produced  by  the  rear  body,  which  are ignored 
by  a  human  operator.  By  applying  the  same  drive  in  the  dynamic  model.  In  particular,  the  experimental 
between  the  left  and  right  sides  of  the  CPG  model,  the  trajectory  of  the  turning  robot  exhibits  an  irregular 
AmphiRobot  could  realize  forward  swimming.  As  the  circular  path.  This  phenomenon  might  be  caused  by  the 
same drive is increasing and is applied to both sides, the  drive difference that undermines the balance of the robot 
swimming  distances  and  corresponding  consuming  time   body tilting to the side of the small drive. 
 

www.intechopen.com Rui Ding, Junzhi Yu, Qinghai Yang and Min Tan: Dynamic Modelling 9
of a CPG-Controlled Amphibious Biomimetic Swimming Robot
  
Figure 9. Multimodal amphibious locomotion in different environments. (a) Crawling in terrestrial environments, including stony 
ground, grassland and a bumpy road. (b) Gait transition between fish‐ and dolphin‐like swimming. (c) Multiple swimming gaits, 
including backward swimming, turning on the spot and braking. (d) Turning underwater.

5. Conclusions  [5] N.  Kato,  “Swimming  and  walking  of  an  amphibious 
robot  with  fin  actuators”,  Mar  Technol  Soc  J,  vol.  45, 
This  paper  presents  the  modelling  and  control  issues  of  pp. 181‐197, 2011. 
an  amphibious  swimming  robot  capable  of  multimodal  [6] Y.  Sun  and  S.  Ma,  “ePaddle  mechanism:  towards  the 
motions.  To  generate  robust  gait  control  for  steady  development  of  a  versatile  amphibious  locomotion 
swimming,  a  CPG‐based  control  law  was  designed  to  mechanism”,  in  Proc  IEEE/RSJ  Int  Conf  Intell  Robot 
produce the joint angle signals of the propelling units. A  Syst, San Francisco, USA, pp. 5035‐5040, 2011. 
hydrodynamic model based on a Lagrangian formulation  [7] T.  Saleh,  Y.  H.  Hann,  Z.  Zhen,  et  al.,  “Design  of  a 
has  been  proposed  for  underwater  locomotion.  By  gyroscopically  stabilized  single‐wheeled  robot”,  in 
introducing  the  CPG‐based  control  into  the  Proc IEEE Conf Robot, Autom Mechatronics, Singapore, 
hydrodynamic  solution,  multiple  gaits  could  be  pp. 904‐908, 2004. 
numerically  estimated.  Comparative  results  have  been  [8] J. Ayers, “Underwater walking”,  Arthropod Struct Dev, 
given  to  show  the  effectiveness  of  the  formed  dynamic  vol. 33, pp. 347‐360, 2004. 
model combined with the CPG‐based control model.  [9] A. S. Boxerbaum, P. Werk, R. D. Quinn, et al., “Design 
  of  an  autonomous  amphibious  robot  for  surf  zone 
Further  research  will  focus  on  mechanical  and  gait  operation:  part  I  mechanical  design  for  multi‐mode 
optimization  for  improved  amphibious  performance.  mobility”,  in  Proc  IEEE/ASME  Int  Conf  Adv  Intell 
Furthermore,  sensory  feedback  information  will  be  Mechatronics, USA, pp. 1460‐1464, 2005. 
integrated  into  the  CPGs  to  improve  amphibious  [10] H.  Yamada,  S.  Chigisaki,  M.  Mori,  et  al., 
locomotor performance.  “Development of amphibious snake‐like robot ACM‐
R5,”  in  Proc  Int  Sympo  Robot,  Tokyo,  Japan,  pp.  433‐
6. Acknowledgements 
440, 2005. 
This work was supported by the National Natural Science  [11] S. Yu, S. Ma, B. Li, et al., “An amphibious snake‐like 
Foundation of China (60775053, 61075102) and, in part, by  robot with terrestrial and aquatic gaits”, in  Proc IEEE 
the Beijing Natural Science Foundation (4102063, 4122084).  Int Conf Robot Autom, Shanghai, China, pp. 2960‐2961, 
2011. 
7. References  [12] Q.  Yang,  J.  Yu,  M.  Tan,  et  al.,  “Preliminary 
development  of  a  biomimetic  amphibious  robot 
[1] G.  Dudek,  P.  Giguere,  C.  Prahacs,  et  al.,  “AQUA:  an  capable of multi‐mode motion”, in Proc IEEE Int Conf 
amphibious  autonomous  robot”,  Computer,  vol.  40,  Robot Biomim, Sanya, China, pp. 769‐774, 2007. 
pp. 46‐53, 2007.  [13] M.  J.  Lighthill,  “Note  on  the  swimming  of  slender 
[2] A.  Crespi  and  A.  J.  Ijspeert,  “Online  optimization  of  fish”, J Fluid Mech, vol. 9, pp. 305‐317, 1960. 
swimming  and  crawling  in  an  amphibious  snake  [14] D.  Barrett,  M.  Grosenbaugh,  and  M.  Triantafyllou, 
robot”, IEEE Trans Robot, vol. 24, pp. 75‐87, 2008.  “The  optimal  control  of  a  flexible  hull  robotic 
[3] T.  R.  Consi,  S.  Bingham,  J.  Chepp,  et  al.,  “Amphibious  undersea vehicle propelled by an oscillating foil,” in 
robots as rapidly deployable near‐shore observatories”,  Proc 1996 Symp Aut Underwater Vehicle Tech, Montery 
in Proc OCEANS 2010, Seattle, USA, pp. 1‐6, 2010.  CA, USA, pp. 1‐9, 1996. 
[4] J.  Yu,  Y.  Tang,  X.  Zhang,  et  al.,  “Design  of  a  wheel‐ [15] A.  J.  Ijspeert,  “Central  pattern  generators  for 
propeller‐leg  integrated  amphibious  robot”,  in  Proc  locomotion  in animals  and  robots:  a  review”,  Neural 
Int  Conf  Contr,  Autom,  Robot  Vision,  Singapore,  pp.  Network, vol. 21, pp. 642‐653, 2008. 
1815‐1819, 2010. 

10 Int J Adv Robotic Sy, 2013, Vol. 10, 199:2013 www.intechopen.com

[16] C.  Zhou  and  K.  H.  Low,  “Design  and  locomotion  [22] S.  D.  Kelly,  R.  J.  Mason,  C.  T.  Anhalt,  et  al., 
control  of  a  biomimetic  underwater  vehicle  with  fin  “Modelling  and  experimental  investigation  of 
propulsion”,  IEEE/ASME  Trans  Mechatronics,  vol.  17,  carangiform  locomotion  for  control”,  in  Proc  Amer 
pp. 25‐35, 2012.  Contr Conf, Philadelphia, USA, pp. 1271‐1276, 1998. 
[17] G. L. Liu, M. K. Habib, K. Watanabe, K. Izumi, “The  [23] R.  J.  Mason  and  J.  W.  Burdick,  “Experiments  in 
design  of  central  pattern  generators  based  on  the  carangiform  robotic  fish  locomotion”,  in  Proc  IEEE 
Matsuoka oscillator to generate rhythmic human‐like  Int  Conf  Robot  Autom,  San  Francisco,  USA,  pp.  428‐
movement  for  biped  robots”,  Journal  of  Advanced  435, 2000. 
Computational  Intelligence  and  Intelligent  Informatics,  [24] K.  A.  Morgansen,  V.  Duindam,  R.  J.  Mason,  et  al., 
vol. 11, pp. 946‐955, 2007.  “Nonlinear  control  methods  for  planar  carangiform 
[18] G.  L.  Liu,  M.  K.  Habib,  K.  Watanabe,  and  K.  Izumi,  robot  fish  locomotion”,  in  Proc  IEEE  Int  Conf  Robot 
“Central  pattern  generators  based  on  Matsuoka  Autom, Seoul, Korea, pp. 427‐434, 2001. 
oscillators  for  the  locomotion  of  biped  robots”,  [25] R.  W.  Blake.  Fish  locomotion,  Cambridge  University 
Artificial Life and Robotics, vol. 12, pp. 264‐269, 2008.  Press, London, 1983. 
[19] A.  J.  Ijspeert,  A.  Crespi,  D.  Ryczko,  et  al.,  “From  [26] G. T. Yates, “Hydrodynamics of body and caudal fin 
swimming  to  walking  with  a  salamander  robot  propulsion”,  Fish  Biomechanics,  P.  W.  Webb  and  D. 
driven by a spinal cord model”,  Science, vol. 315, pp.  Weihs (Eds.) New York: Praeger, pp. 177‐213, 1983. 
1416‐1420, 2007.  [27] T.  Benson.  Shape  effects  on  drag.  Available: 
[20] J.  A.  Acebron,  L.  L.  Bonilla,  C.  J.  Perez,  et  al.,  “The  http://wright.nasa.gov/airplane/shaped.html. 
Kuramoto  model:  a  simple  paradigm  for  Accessed 2012 Sept 22. 
synchronization phenomena”,  Rev Mod Phys, vol. 77,  [28] R.  Ding,  J.  Yu,  Q.  Yang,  et  al.,  “Dolphin‐like 
pp. 137‐185, 2005.  swimming  modeling  for  a  biomimetic  amphibious 
[21] J.  Yu,  R.  Ding,  Q.  Yang,  et  al.,  “On  a  bio‐inspired  robot,”  in  Proc  18th  IFAC  World  Congr,  Milano,  Italy, 
amphibious  robot  capable  of  multimodal  motion”,  pp. 9367‐9372, 2011. 
IEEE/ASME  Trans  Mechatronics,  vol.  17,  pp.  847‐856,   
2012. 

www.intechopen.com Rui Ding, Junzhi Yu, Qinghai Yang and Min Tan: Dynamic Modelling 11
of a CPG-Controlled Amphibious Biomimetic Swimming Robot