基于学习的前向运动学及其逆运动学在同心管机器人中的应用

《IEEE/ASME Transactions on Mechatronics》：Learning-Based Forward Kinematics and Its Inverse Kinematics Implementation for Concentric-Tube Robots

同轴管机器人（CTR）的前向运动学（FK）和逆运动学（IK）建模面临复杂运动学挑战。本文提出一种结合学习FK与优化IK的模型自由框架：通过边界密集采样获取真实数据，利用全连接前馈神经网络（含双曲正切激活函数）学习显式FK函数，并构建约束非线性优化 IK 模型。实验表明，FK精度达总长0.010%误差，计算速度达162,367Hz，IK方法实现高精度路径跟踪和多解问题有效处理。

　　

摘要：

同心管机器人（CTRs）在微创手术中具有巨大潜力，但其复杂的运动学特性带来了显著挑战。尽管最近基于学习的前向运动学（FK）方法能够实现高精度，但这些方法往往会导致模型不可微分，从而影响计算效率。为了解决这些问题，我们提出了一种精确、显式且无需模型的运动学框架，该框架结合了改进的基于学习的FK方法和基于优化的逆向运动学（IK）方法，后者利用学习到的FK函数进行计算。首先，我们采用了一种边界密集采样策略来获取实际数据；然后，通过使用具有双曲正切激活函数的全连接前馈神经网络来学习和提取显式的FK函数。逆向运动学问题被构建为一个受限的非线性优化问题，并通过一种初始化策略提供高质量的初始猜测值。实验验证了所提出的FK方法的高精度——末端位置误差仅为机器人总长度的0.010%，计算速度高达162,367 ± 7,145 Hz。此外，我们还证明了该IK方法在精确高效地进行逆向运动学计算、路径跟踪以及处理多解问题方面的有效性。