基于基线方法与学习方法的 da Vinci 研究套装 Si 系统力估计效能研究

机器人辅助的微创外科手术（如通过 da Vinci 系统）提高了手术精度和患者预后。然而，da Vinci 系统在 da Vinci 5 之前缺乏直接的力感知能力，迫使外科医生在没有胶囊镜手术中获得的触觉反馈的情况下进行手术。我们的前期工作通过基于机器学习的力估计方法为 da Vinci 研究套装（dVRK）Classic 系统恢复了力感知功能。本研究将我们先前的方法扩展到较新的 dVRK 系统——dVRK-Si。此外，我们对学习算法的表现进行基准测试，与基线方法（对扭矩作出简化假设）进行比较，以研究两种系统之间的差异。结果表明，学习方法在 dVRK-Si 上实现平均根均方误差（RMSE）为 5.21%，相当于 dVRK Classic。 在两种系统中，学习方法均优于基线方法，但差距在 dVRK-Si 中更大。尽管如此，dVRK-Si 的力估计精度仍落后于 dVRK Classic，RMSE 高出 2 至 3 倍。进一步分析揭示，dVRK-Si 的 PID 控制效果较差。我们推测这源于缺乏重力补偿，因为 dVRK-Si 机械上不平衡，而 dVRK Classic 则平衡。本研究推进了基于学习的力估计理解，并首次对新型 dVRK-Si 系统的动力学进行特征化。