用于同心管机器人路径跟踪的深度强化学习

随着外科干预趋向于微创方法，同心管机器人（CTR）已被探索用于脑、眼、胎儿镜、肺、心脏和前列腺等多种手术。各管同心排布，每根管子独立旋转和平移以移动机器人末端执行器位置，使得运动学与控制具有挑战性。基于经典模型的方法先前已被研究，而基于深度学习的方法在前向运动学和形状估计方面均优于更经典的方法。我们提出了一种深度强化学习方法来进行控制，其中我们推广到二至四个系统，这是迄今为止任何其他CTR深度学习方法都未实现的一点。以此方式我们探究了该控制方法可能的鲁棒性。同时还研究了施加于管驱动上的旋转约束的影响及其对误差度量的作用。我们评估了路径跟踪任务中的逆运动学误差和跟踪误差，并将结果与最先进方法所得结果进行比较。此外，由于当前结果是在仿真中取得的，我们还研究了一种称为域随机化的域迁移方法，并评估误差度量，作为朝向硬件实现的初步步骤。最后，我们将我们的方法与文献中的一种雅可比方法进行比较。