未校准的无模型视觉伺服控制用于使用神经网络进行RCM约束的机器人内镜

科学领域:

• 机器人技术 机器人技术 机器人技术
• 计算机视觉 计算机视觉
• 手术技术 手术技术

背景情况:

• 机器人辅助的微创手术需要精确的控制.
• 传统的视觉伺服方法需要精确的模型和校准,限制了适应性.
• 现有的技术与现实世界的外科复杂性作斗争,如未校准的系统.

研究的目的:

• 为机器人手术提出一种新的未经校准的,无模型的视觉伺服控制方案.
• 为了提高视觉伺服控制在外科应用中的通用性和稳定性.
• 开发一个集成在线估计和约束处理的控制框架.

主要方法:

• 引入了一个渐变神经网络 (GNN) 用于在线估计雅可比和交互矩阵.
• 开发了一个视觉伺服控制框架,通过二次编程 (QP) 结合了RCM,关节漂移和物理约束.
• 设计了一个非零分差的多层约束处理技术和一个预定义时间的融合错误调节零化神经网络 (PTCER-ZNN) 解决器.

主要成果:

• 该GNN有效地在线估计使用控制信号和传感器数据所需的矩阵.
• QP的配方成功地整合了机器人控制的多个复杂的约束.
• PTCER-ZNN 解决器有效地为所提出的问题提取最佳的控制信号.
• 模拟证实了该方案在图像特征调节和跟踪任务中的有效性.

结论:

• 拟议的未校准,无模型的视觉伺服控制方案显著提高了机器人手术的能力.
• 集成基于GNN的估计和先进的约束处理提供了比传统方法更好的性能.
• 这种方法为微创手术中的视觉伺服控制提供了更强大,更适应性的解决方案.