通过学习的深度解码器网络考虑非线性路径腱驱动连续体机器人正向运动学中的迟滞

腱驱动连续体机器人由于能够弯曲绕过复杂解剖结构，在医疗应用中越来越受欢迎，可能减少手术的侵入性。然而，需要精确建模来规划和控制这些柔性机器人的运动。基于物理的模型由于未建模效应而存在局限性，导致模型预测与实际机器人形状不匹配。最近提出的基于学习的方法已被证明可以克服其中一些局限性，但没有考虑迟滞，这是这些机器人的一个重要误差来源。为了克服这些挑战，我们提出了一种新颖的深度解码器神经网络，该网络使用点云作为形状表示，基于先前配置来预测腱驱动机器人的完整形状，以考虑迟滞。我们在物理腱驱动机器人上评估了我们的方法，并表明我们的网络模型准确预测了机器人的形状，显著优于最先进的基于物理的模型和未考虑迟滞的基于学习的模型。