面向 cable-driven 手术机器人的数据驱动联合级校准

准确的关节位置信息对腔式手术机器人安全、精确的控制尤其是手术子任务的自动化至关重要。这些机器人常常采用 cable-driven 结构，因为 cable 允许将大型电机置于机器人基座上，而远离操作区域，这在空间受限的环境中尤为重要。然而，由于关节通过 cable 连接到电机，cable 的任何伸长都会导致电机处编码器对关节位置估计产生误差，从而可能导致对手术工具的精确控制出现困难。本文提出了一种高效的数据驱动方法，用于对此类机器人的定位关节进行校准，具体针对 RAVEN-II 手术机器人研究平台进行验证。虽然校准过程仅需 8-21 分钟，但在 6 小时高负载运行期间，校准后关节的精度仍保持良好，表明其在实际应用中的可行性。校准模型以原始机器人状态为输入，通过保持稀疏性要求进行 zig-zag 轨迹训练，训练后无需额外传感器。与固定偏移补偿相比，深度神经网络校准模型可进一步降低 76% 的误差，分别在关节 1、2、3 处实现 0.104 度、0.120 度和 0.118 mm 的精度。与端到端模型相比，实验表明 DNN 模型在输出纠正原始不准确关节位置的误差时，具有更好的精度和更快的收敛速度。此外，线性回归模型的推理速度比 DNN 模型快 160 倍，可用于 1000 Hz 的伺服控制回路，虽略牺牲一点精度。