利用RGBD基准标记感知与递归神经网络高效标定缆索驱动手术机器人
机器人学
2020-08-04 v4 计算机视觉与模式识别
摘要
由于缆索拉伸和迟滞等缆索相关效应导致的控制不精确，使用如Intuitive Surgical的da Vinci Research Kit (dVRK)等缆索驱动机器人手术辅助系统(RSAs)对手术子任务进行自动化具有挑战性。我们提出了一种新颖的方法，通过在与臂和末端执行器上放置由RGBD感知跟踪的3D打印基准坐标系来高效标定此类机器人。为了测量关节间的耦合与历史依赖效应，我们分析了采样轨迹的数据并考虑了13种建模方法。这些模型包括线性回归和LSTM递归神经网络，每种具有不同时序窗口长度以提供补偿反馈。所提方法中，1800个样本的数据采集耗时31分钟，模型训练耗时不到1分钟。在参考轨迹测试集上的结果表明，训练后的模型可将物理机器人的平均跟踪误差从2.96 mm降低到0.65 mm。在FLS钉转移外科医生训练任务的开环轨迹执行上的结果表明，最佳模型将成功率从39.4%提高到96.7%，产生了可与专家外科住院医师相媲美的表现。包括代码和可3D打印模型在内的补充材料可在 https://sites.google.com/berkeley.edu/surgical-calibration 获取。
引用
@article{arxiv.2003.08520,
title = {Efficiently Calibrating Cable-Driven Surgical Robots with RGBD Fiducial Sensing and Recurrent Neural Networks},
author = {Minho Hwang and Brijen Thananjeyan and Samuel Paradis and Daniel Seita and Jeffrey Ichnowski and Danyal Fer and Thomas Low and Ken Goldberg},
journal= {arXiv preprint arXiv:2003.08520},
year = {2020}
}
备注
8 pages, 11 figures, 3 tables