利用神经网络建模肌腱驱动连续体机器人中的迟滞运动学

利用深度学习方法精确建模肌腱驱动连续体机器人中的机械迟滞行为是一个日益受到关注的领域。本文研究了两种类型的肌腱驱动连续体机器人的迟滞响应，并最终比较了三种神经网络建模方法（前馈神经网络（FNN）、带历史输入缓冲区的FNN和长短期记忆（LSTM）网络）的正向和逆向运动学映射。我们试图确定哪种模型最能捕捉时间依赖行为。我们发现，根据机器人的设计，选择不同的运动学输入可以改变系统是否表现出迟滞。此外，我们展示了模型拟合的结果，表明与标准FNN相比，带历史输入缓冲区的FNN和LSTM模型都表现出建模历史依赖性的能力，并且在捕捉速率相关迟滞方面性能相当。