基于深度学习的双段解耦柔性机器人控制用于内镜黏膜切除
机器人学
2026-02-04 v1
摘要
手动内镜黏膜切除（ESD）技术繁琐，现有单段机器人工具灵活性有限。为此提出了更高级的解决方案。为此，本工作开发了 DESectBot—a 一种具有解耦结构且集成外科镊爪的新型双段柔性机器人，实现 6 自由度（DoF）的刺柄位置和姿态控制，提高了 ESD 中对病灶的靶向能力。提出基于门控循环单元（GRU）的深度学习控制器，用于同时控制刺柄位置和姿态，有效处理柔性段之间非线性耦合。将 GRU 控制器与雅可比基逆运动学、模型预测控制（MPC）、前馈神经网络（FNN）和长短期记忆网络（LSTM）进行基准测试。在嵌套矩形和莱斯茨拜轨迹跟踪任务中，GRU 的位置/姿态 RMSE 分别为 1.11 mm/4.62° 和 0.81 mm/2.59°。在固定位置的姿态控制任务中（四个目标姿态），GRU 的平均 RMSE 为 0.14 mm 和 0.72°，优于所有替代方案。在 peg 传递任务中，GRU 实现了 100% 的成功率（120 次成功/120 次尝试），平均传递时间为 11.8 秒，显著优于 novice 控制系统。此外，外标 ESD 演示中对组织的抓取、提升和切除动作证明了 DESectBot 具备切割厚胃黏膜的足够刚度，并且操作工作空间足以处理大面积病灶。这一结果确认，GRU 基于的控制显著增强了 ESD 手术培训场景中的精度、可靠性和可用性。
引用
@article{arxiv.2602.03406,
title = {Deep-Learning-Based Control of a Decoupled Two-Segment Continuum Robot for Endoscopic Submucosal Dissection},
author = {Yuancheng Shao and Yao Zhang and Jia Gu and Zixi Chen and Di Wu and Yuqiao Chen and Bo Lu and Wenjie Liu and Cesare Stefanini and Peng Qi},
journal= {arXiv preprint arXiv:2602.03406},
year = {2026}
}