[医疗机器人手臂参数校准的自适应式LSTM方法]

科学领域:

• 机器人技术 机器人技术 机器人技术
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 医疗机器人手臂面临复杂的,非线性校准错误,限制了精度.
• 传统的数学模型难以捕捉这些复杂的错误特征.

研究的目的:

• 开发一种先进的医疗机器人手臂校准方法,使用适应性长期短期记忆 (ALSTM) 神经网络.
• 通过有效地调整动力学误差,提高德纳维特-哈顿伯格 (D-H) 参数识别的准确性.

主要方法:

• 建立了一个机器人手臂参数错误识别模型.
• 提出了一个ALSTM神经网络,将粒子群优化 (PSO) 纳入重量优化中.
• 从HSR-JR680机器人臂校准系统收集了110组实验数据.

主要成果:

• 与传统方法相比,ALSTM模型实现了根平均平方误差 (RMSE) 的23.07%-80.39%的降低.
• 与标准LSTM模型相比,收时间减少了32.44%.
• 优化的D-H参数满足了医疗机器人手臂的高精度校准要求.

结论:

• 提出的基于ALSTM的校准方法有效地解决了医疗机器人臂的多源和非线性错误.
• 这种方法在校准准确度和效率上提供了显著的改进.
• 优化的D-H参数确保了医疗应用所必需的高精度性能.