基于神经科普曼算子的数据驱动软体机器人导管建模与控制

导管介入在用于心脏疾病的诊断和治疗中广泛应用。近期，软体机器人导管因其在精度和稳定性方面优于传统人工操作而受到关注。然而，由于其复杂的非线性行为，软体机器人导管的精准建模与控制仍具有挑战性。科普曼算子能够将原始系统数据提升到线性“提升空间”，从而为预测控制提供一种数据驱动框架；然而，提升空间中手动选择的基函数往往会过度简化系统行为，导致控制性能下降。为此，我们提出一种基于神经网络的科普曼算子框架，联合学习提升空间表示与科普曼算子。此外，鉴于心房消融术中持续X射线造影剂量问题，我们研究利用神经科普曼算子进行的开环控制策略，以可靠地在无需持续成像反馈的情况下到达目标姿态。该方法在两个实验场景中得到验证：交互式位置控制和基于肌质囊腔的仿真心房消融任务。我们的方法在位置精度和姿态精度方面均优于不仅模型基线，还优于其他科普曼变体，平均位置误差为 2.1 ± 0.4 mm，平均姿态误差为 4.9 ± 0.6 度。这些结果凸显了该框架在推动软体机器人导管系统发展和改善导管介入操作中的潜力。