使用两阶段标定程序实现绳驱动机器人快速可靠的自主手术清创

使用机器人手术助手（Robotic Surgical Assistants, RSAs），例如 da Vinci Research Kit (dVRK)，将清创（去除坏死或病变组织碎片）等精确子任务自动化，由于绳驱动系统固有的非线性而具有挑战性。我们提出并评估了一种新颖的两阶段由粗到细的标定方法。在第一阶段（粗调），我们在末端执行器上放置一个红色标定标记，并让其沿一组开环轨迹随机移动，以获取大量相机像素和内部机器人末端执行器构型的样本集。然后使用这些粗调数据训练深度神经网络（Deep Neural Network, DNN），以学习粗变换偏置。在第二阶段（细调），应用第一阶段的偏置将末端执行器移动到打印纸上的少量特定目标点。对于每个目标，人类操作员通过直接接触（而非通过遥操作）手动调整末端执行器位置，并记录残余补偿偏置。然后使用这些细调数据训练随机森林（Random Forest, RF），以学习细变换偏置。随后的实验表明，在未经标定的情况下，位置误差平均为 4.55mm。第一阶段可将平均误差降至 2.14mm，而第一阶段与第二阶段的结合可将平均误差降至 1.08mm。我们将这些结果应用于以葡萄干和南瓜子作为碎片仿体的清创实验。使用带有标准边缘检测的内窥镜立体相机，在 120 次试验中实现了 94.5% 的平均成功率，超过了对大得多的碎片取得的先前结果（89.4%），并实现了 2.1 倍的加速，将每个碎片的处理时间从 15.8 秒减少到 7.3 秒。源代码、数据和视频可在 https://sites.google.com/view/calib-icra/ 获取。