基于深度学习的光学羟捕捕
机器人学
2025-01-03 v1
摘要
带光学涡旋的光学羟捕捕(OT)扩大了粒子操控自由度。然而，通常伴随复杂理论模型、严格的仿真条件以及不确定的实验因素，这些研究可能带来高时间成本和结果不够精确。在本工作中，我们提出了一个用于分析和设计带光学涡旋(OV)的双向神经网络模型，这是一种典型的结构光束。在分析光学力时，网络可实现超过98%的精度，并将计算效率提高了20倍以上。在进一步分析粒子轨迹时，网络也可实现超过95.5%的精度。同时，在OV类光束的OT中，网络仍能以最高达96.2%的精度预测粒子运动行为。我们的网络可以95.4%的精度按需反向设计光学涡旋羟捕捕。此外，实验结果表明，所提出的模型可用于分析OT中的等离子体涡旋，实现任意光学操控。我们的工作表明，所提出的深度学习网络可为OT的分析和设计提供有效的算法平台，预计将推动OT在生物医学中的应用。
引用
@article{arxiv.2412.03136,
title = {Asynchronous Event-Inertial Odometry using a Unified Gaussian Process Regression Framework},
author = {Xudong Li and Zhixiang Wang and Zihao Liu and Yizhai Zhang and Fan Zhang and Xiuming Yao and Panfeng Huang},
journal= {arXiv preprint arXiv:2412.03136},
year = {2025}
}
备注
Accepted at IEEE IROS 2024