少样本物理感知神经网络用于同心管机器人形状重建
机器人学
2026-05-14 v1
摘要
同心管机器人（CTRs）的建模涉及复杂的非线性连续介质力学，尽管近期取得的进展不足以准确表示实验 setup。为克服这些局限性，探索了基于深度神经网络的模型，虽在精度上具有优势，但往往忽略已知力学、需要大量训练数据，并且通常舍弃了机器人形状估计。我们提出了一种物理感知神经网络（PINN），用于6自由度由三个预弯管构成的CTR的运动学建模，嵌入Cosserat rod微分方程，从稀疏观测数据中学习，平衡物理先验与数据驱动拟合。PINN能够实现形状、扭转角、扭转应变、弯曲力矩和姿态的全状态估计。基准测试表明，形状误差均值小于机器人长度的1%，并准确恢复其他运动学状态，相较于纯物理基于Cosserat rod模型基线，性能更优，同时使用最小训练集。该模型计算高效且稳健，适合实时控制应用。
引用
@article{arxiv.2605.12790,
title = {Few-Shot Physics-Informed Neural Network for Shape Reconstruction of Concentric-Tube Robots},
author = {Navid Feizi and Filipe C. Pedrosa and Rajni V. Patel and Jagadeesan Jayender},
journal= {arXiv preprint arXiv:2605.12790},
year = {2026}
}
备注
to be published in 2026 IEEE International Conference on Robotics & Automation proceedings