基于辐射基函数的神经网络的亨特-克罗斯利模型的实时触觉特性,用于接触环境
Jiankun Li1, Xinhe Zhu1, Yongmin Zhong1
1School of Engineering, RMIT University, Melbourne, VIC, 3083, Australia.
概括
这项研究引入了一种结合神经网络和递归最小方形 (RLS) 估计的新方法,用于精确的机器人手术中的动态软组织特征. 该方法改善了亨特-克罗斯利 (HC) 模型参数的估计,提高了手术精度.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 生物医学工程 生物医学工程
- 计算力学 计算力学 计算力学
背景情况:
- 精确的动态软组织表征对于机器人微创手术至关重要.
- 现有的模型经常面临非线性和估计错误的挑战.
研究的目的:
- 开发一种使用神经网络和递归最小平方 (RLS) 估计的动态软组织特征的新方法.
- 提高非线性亨特-克罗斯利 (HC) 模型参数估计的准确性.
主要方法:
- 开发了一个辐射基函数神经网络 (RBFNN),以弥补HC模型中自然对数分解 (NLF) 的错误.
- 使用最大概率原理估计了RBFNN权重.
- 创建了一个基于 RBFNN 的 RLS 算法来弥补线性化错误.
主要成果:
- 提出的方法有效地模拟了HC模型的自然对数线性化误差.
- 通过模拟和实验证明了RC模型参数的RLS估计的提高准确性.
结论:
- 基于RBFNN的RLS方法为动态软组织表征提供了更高的准确性.
- 这一进步对改善机器人手术的控制和安全有重大影响.
