[论文解读] A Versatile Data-Driven Framework for Model-Independent Control of Continuum Manipulators Interacting With Obstructed Environments With Unknown Geometry and Stiffness

Farshid Alambeigi, Zerui Wang+3 more|arXiv (Cornell University)|May 5, 2020

Soft Robotics and Applications参考文献 62被引用 6

一句话总结

本文提出了一种数据驱动、模型无关的控制框架，用于在未知且存在障碍物的环境中对连续体机械臂进行控制，无需事先了解机械臂的变形特性或环境刚度。通过使用基于Broyden的雅可比矩阵更新规则并结合实时反馈，该方法在多种场景下实现了自适应的位置与形状控制，包括自由运动、障碍物交互以及可变形物体操作，在医用级连续体机械臂实验中表现出色的精度与鲁棒性。

ABSTRACT

This paper addresses the problem of controlling a continuum manipulator (CM) in free or obstructed environments with no prior knowledge about the deformation behavior of the CM and the stiffness and geometry of the interacting obstructed environment. We propose a versatile data-driven priori-model-independent (PMI) control framework, in which various control paradigms (e.g. CM's position or shape control) can be defined based on the provided feedback. This optimal iterative algorithm learns the deformation behavior of the CM in interaction with an unknown environment, in real time, and then accomplishes the defined control objective. To evaluate the scalability of the proposed framework, we integrated two different CMs, designed for medical applications, with the da Vinci Research Kit (dVRK). The performance and learning capability of the framework was investigated in 11 sets of experiments including PMI position and shape control in free and unknown obstructed environments as well as during manipulation of an unknown deformable object. We also evaluated the performance of our algorithm in an ex-vivo experiment with a lamb heart.The theoretical and experimental results demonstrate the adaptivity, versatility, and accuracy of the proposed framework and, therefore, its suitability for a variety of applications involving continuum manipulators.

研究动机与目标

• 解决在几何与刚度未知的受阻环境中控制连续体机械臂的挑战，传统基于模型的方法因建模误差而失效。
• 开发一种无需事先了解机械臂变形行为或环境特性的控制框架，使其可部署于非结构化的真实世界场景。
• 仅通过未校准传感器的反馈，实现对末端执行器位置与形状的鲁棒、自适应控制，无需依赖力传感器或预标定模型。
• 克服现有无模型控制方法的局限性，如雅可比矩阵估计延迟、对噪声敏感以及末端执行器与未知障碍物接触时的奇异性问题。

提出的方法

• 该框架采用Broyden更新规则，实时迭代估计未知的连续体机械臂组合雅可比矩阵，实现对未知环境交互的在线自适应。
• 利用来自未校准传感器（如视觉、FBG或磁力跟踪器）的反馈驱动控制算法，确保在不同传感模式下的灵活性。
• 控制策略被表述为一种最优迭代算法，通过信赖域方法最小化期望状态与实际状态之间的误差，确保收敛性与稳定性。
• 通过动态调整雅可比矩阵估计，避免在末端执行器与未知障碍物接触时出现奇异性，且无需力反馈或显式力建模。
• 该框架通过da Vinci Research Kit（dVRK）与两种医用级连续体机械臂集成，实现在自由环境与受阻环境中的实时控制。
• 算法初始化时无需事先了解机械臂的构型或变形状态，模拟最坏情况以测试其鲁棒性与适应性。

实验结果

研究问题

• RQ1 无模型控制框架是否能在未知且存在障碍物的环境中，无需事先了解机械臂变形或环境刚度，实现对连续体机械臂的精确位置与形状控制？
• RQ2 基于Broyden的雅可比矩阵更新规则相较于现有无模型控制方法（存在估计延迟与病态条件问题）在收敛性与鲁棒性方面有何改进？
• RQ3 该框架在无需重新调参的情况下，对不同连续体机械臂设计与初始构型的泛化能力如何？
• RQ4 在与未知可变形物体（如绵羊心脏）动态交互过程中，该框架是否能在无力反馈的情况下保持性能？

主要发现

• 所提出的DD-PMI框架在11种实验场景中成功实现了对两种不同连续体机械臂的精确位置与形状控制，涵盖自由运动、未知障碍物及可变形物体操作。
• 该算法对初始化具有鲁棒性，在多种不同的初始构型与估计的雅可比矩阵下均表现良好，无需预先校准。
• 在绵羊心脏的离体实验中，框架在无力反馈条件下实现了对可变形组织的稳定操作，验证了其在微创手术中的潜力。
• Broyden更新规则显著减少了估计延迟并提升了收敛性，同时避免了末端执行器接触未知障碍物时的奇异性问题。
• 该框架在欠定优化问题的雅可比矩阵估计中实现了最优解，优于以往方法所得到的次优或错位解。
• 该方法在视觉、FBG与磁力跟踪器等多种传感器模态间表现出良好的可扩展性与适应性，证实了其在各类临床与机器人应用中的多功能性。