Ablation Study on Features in Learning-based Joints Calibration of Cable-driven Surgical Robots

要約

世界中で実施されており、何百万もの手術が手術用ロボットによって支援されています。
多くの手術用ロボットのケーブル駆動メカニズムにより、柔軟で軽量、コンパクトなアームとツールが実現します。
ただし、ケーブルのたるみと伸び、およびギアのバックラッシュにより、モーターのポーズから関節のポーズへの必然的なエラーが発生し、エンドエフェクタのポーズと向きに転送されます。
この論文では、ディープ ニューラル ネットワークを使用した学習ベースのキャリブレーションが提案されています。これは、関節 1、2、3 の無負荷姿勢 RMSE を 0.3003 度、0.2888 度、0.1565 mm に減らし、関節 1、2 の負荷姿勢 RMSE を減らします。
3 ～ 0.4456 度、0.3052 度、0.1900 mm。
次に、除去アブレーションと不正確なアブレーションを実行して、DNN モデルのどの機能がキャリブレーション精度に寄与するかを調べます。
結果は、生の関節ポーズとモーター トルクが最も重要な特徴であることを示唆しています。
関節ポーズの場合、除去アブレーションは、DNN モデルがエンドエフェクターのポーズと向きからこの情報を導き出せることを示しています。
モーター トルクの場合、方向は振幅よりもはるかに重要です。

要約(オリジナル)

With worldwide implementation, millions of surgeries are assisted by surgical robots. The cable-drive mechanism on many surgical robots allows flexible, light, and compact arms and tools. However, the slack and stretch of the cables and the backlash of the gears introduce inevitable errors from motor poses to joint poses, and thus forwarded to the pose and orientation of the end-effector. In this paper, a learning-based calibration using a deep neural network is proposed, which reduces the unloaded pose RMSE of joints 1, 2, 3 to 0.3003 deg, 0.2888 deg, 0.1565 mm, and loaded pose RMSE of joints 1, 2, 3 to 0.4456 deg, 0.3052 deg, 0.1900 mm, respectively. Then, removal ablation and inaccurate ablation are performed to study which features of the DNN model contribute to the calibration accuracy. The results suggest that raw joint poses and motor torques are the most important features. For joint poses, the removal ablation shows that DNN model can derive this information from end-effector pose and orientation. For motor torques, the direction is much more important than amplitude.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google