Lateral instability in fruit flies is determined by wing–wing interaction and wing elevation kinematics
Notice bibliographique
Résumé
Understanding the uncontrolled passive dynamics of flying insects is important for evaluating the constraints under which the insect flight control system operates and for developing biomimetic robots. Passive dynamics is typically analyzed using computational fluid dynamics (CFD) methods, relying on the separation of the linearized hovering dynamics into longitudinal and lateral parts. While the longitudinal dynamics are relatively understood across several insect models, our current understanding of the lateral dynamics is lacking, with a nontrivial dependence on wing–wing interaction and on the details of wing kinematics. Particularly, the passive stability of the fruit fly, D. melanogaster, which is a central model in insect flight research, has so far been analyzed using simplified quasi-steady aerodynamics and synthetic wing kinematics. Here, we perform a CFD-based lateral stability analysis of a hovering fruit fly, using accurately measured wing kinematics, and considering wing–wing interaction. Lateral dynamics are unstable due to an oscillating–diverging mode with a doubling time of 17 wingbeats. These dynamics are determined by wing–wing interaction and the wing elevation kinematics. Finally, we show that the fly's roll controller, with its one wingbeat latency, is consistent with the lateral instability. This work highlights the importance of accurate wing kinematics and wing–wing interactions in stability analyses and forms a link between such passive instability and the insects' controller.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».