使用RGBD感知和时间卷积网络的柔性连续体机械臂迟滞补偿

柔性连续体机械臂因其能够通过非线性路径进入受限空间而在微创手术中受到重视。然而，缆索驱动机械臂由于摩擦、伸长和耦合等缆索效应导致的迟滞而面临控制困难。这些效应由于非线性而难以建模，在处理长且耦合的多段机械臂时困难更加明显。本文提出了一种基于深度神经网络（DNN）的数据驱动方法，以捕捉缆索驱动的这些非线性和依赖于先前状态的特性。我们使用RGBD感知和7个基准标记，根据命令关节配置收集物理关节配置，以对所提出的机械臂的迟滞进行建模。对四种DNN模型估计性能的比较研究结果表明，时间卷积网络（TCN）显示出最高的预测能力。利用训练好的TCN，我们构建了一个控制算法来补偿迟滞。使用未见过的轨迹在任务空间中进行跟踪测试表明，所提出的控制算法将平均位置误差和方向误差分别降低了61.39%（从13.7mm降至5.29mm）和64.04%（从31.17°降至11.21°）。这一结果表明，所提出的标定控制器通过估计机械臂的迟滞有效地达到了期望的配置。将该方法应用于真实手术场景中有望提高控制精度和改善手术性能。