文献阅读-ICRA2020-精确的实时数据驱动的对RAVEN-II手术机器人末端执行器位置估计器

文章序号、所属单元及链接：1646-Surgical Robotics Laparascopy
一作所属单位：University of Washington
读后体会：以我浅薄的学术认知原本认为这篇论文挺牛逼的，实验细节给的很多，关键是结果提升很大。跟老师交流之后才知道这论文只能骗骗外行人，关键的问题是他是空载进行实验的，绳驱动机器人负载和空载的差距很大，还需要考虑绳经过一段时间使用之后动态特性的变化，这个也很复杂。

精确的实时数据驱动的对RAVEN-II手术机器人末端执行器位置估计器

• Abstract
• Introduction
• • A.背景
  • B.相关工作
  • C.贡献
• Methods
• • A.系统工作流程
  • C.自动霍夫圆检测
  • D.帧更新算法
  • E.末端执行器定位
  • F.神经网络结构
• Experimental Result
• • A.实验设置
  • B.神经网络离线训练
  • C.性能分析
• Discussion & Future Work
• • A.第一阶段性能
  • B. 第二阶段的优点
• Conclusion

Abstract

在过去的几十年中，外科手术机器人因其高灵敏度，小尺寸和远程可控性而被引入手术室。许多外科手术机器人的线驱动特性使系统灵巧轻巧，直径低至5mm。然而，由于线的松弛和拉伸以及齿轮的游隙，在运动学计算中不可避免地会带来不确定性。由于RAVEN-II 等外科手术机器人的末端执行器位置是使用电机编码器测量值和正向运动学直接计算得出的，因此它可能包含相对较大的误差，最大误差可达10mm，而在腹部手术中引入半自主功能时，其能够容忍的位置误差最大值为1mm。为了解决该问题，提出了一种经济高效，实时且数据驱动的机器人末端执行器位置精确估计的模型，并在RAVEN-II 上进行了测试。分析显示，在没有高分辨率运动跟踪器的情况下，遍历整个机器人工作空间的末端执行器位置误差改善后约1mm RMS。开源代码，数据集，视频和用户指南可在/github.com/HaonanPeng/RAVEN_Neural_Network_Estimator 上找到。

Introduction

A.背景

机器人辅助的微创手术（RAMIS࿰

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！