Accounting for Hysteresis in the Forward Kinematics of Nonlinearly-Routed Tendon-Driven Continuum Robots via a Learned Deep Decoder Network

要約

腱駆動の連続ロボットは、複雑な解剖学的構造の周囲を曲がることができ、手術の侵襲性を低減できる可能性があるため、医療用途で人気が高まっています。
ただし、これらの柔軟なロボットの動きを計画および制御するには、正確なモデリングが必要です。
物理ベースのモデルには、モデル化されていない効果による制限があり、モデルの予測と実際のロボットの形状の間に不一致が生じます。
最近提案された学習ベースの方法は、これらの制限の一部を克服することが示されていますが、これらのロボットの重大な誤差の原因であるヒステリシスは考慮されていません。
これらの課題を克服するために、ヒステリシスを考慮した事前構成を条件として、点群を形状表現として使用し、腱駆動ロボットの完全な形状を予測する新しいディープ デコーダ ニューラル ネットワークを提案します。
私たちは、物理的な腱駆動ロボットで私たちの方法を評価し、私たちのネットワーク モデルがロボットの形状を正確に予測し、最先端の物理ベースのモデルやヒステリシスを考慮しない学習ベースのモデルよりも大幅に優れていることを示しました。

要約(オリジナル)

Tendon-driven continuum robots have been gaining popularity in medical applications due to their ability to curve around complex anatomical structures, potentially reducing the invasiveness of surgery. However, accurate modeling is required to plan and control the movements of these flexible robots. Physics-based models have limitations due to unmodeled effects, leading to mismatches between model prediction and actual robot shape. Recently proposed learning-based methods have been shown to overcome some of these limitations but do not account for hysteresis, a significant source of error for these robots. To overcome these challenges, we propose a novel deep decoder neural network that predicts the complete shape of tendon-driven robots using point clouds as the shape representation, conditioned on prior configurations to account for hysteresis. We evaluate our method on a physical tendon-driven robot and show that our network model accurately predicts the robot’s shape, significantly outperforming a state-of-the-art physics-based model and a learning-based model that does not account for hysteresis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google