基于接触检测与局部刚度模型的 minimally invasive telesurgery 的视觉力学力估计

在 minimally invasive telesurgery 中，由于内侧端效应力感知的复杂性，获取准确的力信息具有挑战性。这限制了涡层反馈和基于力的自动化绩效指标的开发和实施。使用深度学习的视觉力学力感知方法是内置端效应力感知的有前景的替代方案。然而，这些方法对新情景的泛化能力有限，需要高质量的力传感器训练数据，而这在实际中难以获得。为此，本文提出了一种 novel 的视觉力学接触条件方法，用于 telesurgical 环境中的力估计。该方法利用人工标注和端效应位置数据训练深度神经网络。这些训练模型的预测可选性地与机器人关节扭矩信息结合，用于从视觉数据间接估计力量。我们对该方法进行基准测试，使用真实力传感器数据，并通过在数据高效方式下微调到新外科情景来证明其通用性。该方法在接触检测准确率超过 90%，力预测误差小于 10%。这些结果表明，接触条件力估计在临床环境中用于涡层反馈和组织处理技能评估具有潜在价值。