面向手术机器人的混合模型与学习力估计框架
机器人学
2024-10-01 v1
摘要
在机器人手术中为外科医生提供触觉反馈可以实现更安全、更具沉浸感的手术，但估计机器人控制的手术器械尖端处的组织交互力已被证明具有挑战性。现有少数手术机器人可以直接测量交互力，而额外的传感器可能会限制器械的使用寿命。我们为达芬奇研究套件（dVRK）的患者侧操作臂（PSM）提出了一种混合模型与学习的力估计框架。基于模型的部分识别机器人的动力学参数并估计自由空间关节扭矩，而基于学习的部分则补偿环境因素，例如由PSM器械与患者体壁之间的套管交互引起的额外扭矩。我们在腹部体模中评估了我们的方法，实现了低于10%的归一化均方根误差的力估计误差。我们表明，通过使用基于模型的方法进行动力学辨识，我们减少了对覆盖整个工作空间的训练数据的依赖。尽管最初是为dVRK开发的，但所提出的方法是一个可推广到其他顺应性手术机器人的框架。代码可在https://github.com/vu-maple-lab/dvrk_force_estimation获取。
引用
@article{arxiv.2409.19970,
title = {A Hybrid Model and Learning-Based Force Estimation Framework for Surgical Robots},
author = {Hao Yang and Haoying Zhou and Gregory S. Fischer and Jie Ying Wu},
journal= {arXiv preprint arXiv:2409.19970},
year = {2024}
}
备注
Accepted by IROS 2024