利用监督式深度学习建模边缘FBG形状传感器
机器人学
2023-07-04 v2
摘要
在机器人辅助的微创手术中，连续体机器人能够充分到达通过小切口无法直接触及的目标解剖结构。实现此类蛇形操纵器的精确可靠运动控制，需要一种无需视距且不受电磁噪声干扰的导航系统。光纤布拉格光栅（FBG）形状传感器，尤其是边缘FBG，是完成该任务的有力工具。然而，在边缘FBG传感器中，布拉格波长间的强度比携带应变信息，并可能受到非期望的弯曲相关现象影响，使得标准表征技术不太适用于这些传感器。我们在先前工作中表明，深度学习模型有潜力从完整的边缘FBG光谱中提取应变信息并准确预测传感器形状。本文中，我们进行了更深入的调研，以寻找预测误差更低且合适的架构设计。我们使用Hyperband算法分两步搜索最优超参数。首先，我们将搜索空间限定于层设置，选出性能最佳的配置。然后，我们修改搜索空间以调优训练和损失计算超参数。我们还分析了输入与输出变量上的多种数据变换，因为数据重缩放会直接影响模型性能。此外，我们采用连体网络架构进行了判别性训练，该架构使用两个参数相同的CNN来学习相似目标值光谱之间的相似性度量。在所有评估配置中性能最佳的网络架构能以3.11 mm的中值尖端误差预测传感器形状。
引用
@article{arxiv.2210.16068,
title = {Using Supervised Deep-Learning to Model Edge-FBG Shape Sensors},
author = {Samaneh Manavi Roodsari and Antal Huck-Horvath and Sara Freund and Azhar Zam and Georg Rauter and Wolfgang Schade and Philippe C. Cattin},
journal= {arXiv preprint arXiv:2210.16068},
year = {2023}
}
备注
27 pages, 12 figures, preprint