面向非接触操控的磁微机器人高效模型学习与自适应跟踪控制

磁微机器人可以通过外部磁场导航，在具有复杂和非结构化环境的生物体内自主移动。潜在应用包括药物输送、诊断和治疗干预。现有技术通常赋予目标物体磁性，或驱动机器人接触然后操控物体，这两种方式都可能造成物理损伤。本文考虑一种非接触式方案，其中机器人旋转产生排斥场以推动物体，而无需物理接触。在这种方案下，主要挑战在于磁场输入与目标物体输出速度之间的运动模型通常是未知的且难以分析。为解决此问题，本文提出了一种基于数据驱动的解决方案。构建一个神经网络来高效估计运动模型。然后，开发了一种基于近似模型的最优控制方案，以推动物体跟踪时变轨迹，同时保持具有距离约束的非接触状态。此外，引入了一个简单的规划器来评估在杂乱非结构化环境中非接触操控的适应性。实验结果展示了所提出方案的跟踪和导航性能。