介入式 X 射线系统精密运动的学习：附加物理引导神经网络前馈控制
系统与控制
2023-03-29 v2 系统与控制
摘要
基于物理模型的前馈控制对于介入式 X 射线系统的跟踪性能受到难以建模的寄生非线性动力学（如线缆力与非线性摩擦）的限制。在本文中，这些非线性动力学通过物理引导神经网络（PGNN）进行补偿，该网络由一个嵌入动力学先验知识的物理模型与一个用于学习难以建模动力学的神经网络并行构成。为确保神经网络仅学习未建模效应，其在由物理模型张成的子空间中的输出通过基于正交投影的方法进行正则化，从而实现物理模型与神经网络贡献的互补。与最优整定的物理模型相比，PGNN 前馈控制器将介入式 X 射线系统的跟踪误差降低了 5 倍，成功补偿了未建模的寄生动力学。
引用
@article{arxiv.2303.07994,
title = {Learning for Precision Motion of an Interventional X-ray System: Add-on Physics-Guided Neural Network Feedforward Control},
author = {Johan Kon and Naomi de Vos and Dennis Bruijnen and Jeroen van de Wijdeven and Marcel Heertjes and Tom Oomen},
journal= {arXiv preprint arXiv:2303.07994},
year = {2023}
}
备注
Included conference information in banner of paper