基于从仿真中学习的多臂腹腔镜手术机器人神经碰撞检测
机器人学
2026-01-23 v1
摘要
本研究通过解决碰撞检测和最小距离估计中的关键挑战，提出了一个集成框架以增强腹腔镜手术中机械臂的安全性和操作效率。通过结合解析建模、实时仿真和机器学习，该框架为确保安全的机器人操作提供了稳健的解决方案。我们开发了一个解析模型，基于机械臂的关节配置估计其间的最小距离，提供了精确的理论计算，既可作为验证工具也可作为基准。作为补充，我们创建了一个 3D 仿真环境对两个 7 自由度 Kinova 机械臂进行建模，生成了用于碰撞检测和距离估计的多样化配置数据集。基于这些见解，我们训练了一个深度神经网络模型，以机械臂的关节执行器和相对位置作为输入，实现了 282.2 mm 的平均绝对误差和 0.85 的 R 平方值。预测距离与实际距离之间的紧密吻合突显了该网络的准确性及其泛化空间关系的能力。这项工作展示了将解析精度与机器学习算法相结合以增强机器人系统精度和可靠性的有效性。
引用
@article{arxiv.2601.15459,
title = {Neural Collision Detection for Multi-arm Laparoscopy Surgical Robots Through Learning-from-Simulation},
author = {Sarvin Ghiasi and Majid Roshanfar and Jake Barralet and Liane S. Feldman and Amir Hooshiar},
journal= {arXiv preprint arXiv:2601.15459},
year = {2026}
}