[论文解读] Hybrid Data-Driven and Analytical Model for Kinematic Control of a Surgical Robotic Tool

Francesco Cursi, Anh V. Nguyen+1 more|arXiv (Cornell University)|Jun 4, 2020

Gaussian Processes and Bayesian Inference参考文献 18被引用 4

一句话总结

本文提出了一种混合运动学建模方法，用于肌腱驱动的外科手术机器人，通过将解析模型与基于高斯过程回归（GPR）的数据驱动学习相结合。该方法根据GPR的不确定性自适应地加权各模型，显著提升了精度，相较于纯解析模型或纯数据驱动模型，实测机器人数据在x方向上的均方根误差（RMSE）降低了40%。

ABSTRACT

Accurate kinematic models are essential for effective control of surgical robots. For tendon driven robots, which is common for minimally invasive surgery, intrinsic nonlinearities are important to consider. Traditional analytical methods allow to build the kinematic model of the system by making certain assumptions and simplifications on the nonlinearities. Machine learning techniques, instead, allow to recover a more complex model based on the acquired data. However, analytical models are more generalisable, but can be over-simplified; data-driven models, on the other hand, can cater for more complex models, but are less generalisable and the result is highly affected by the training dataset. In this paper, we present a novel approach to combining analytical and data-driven approaches to model the kinematics of nonlinear tendon-driven surgical robots. Gaussian Process Regression (GPR) is used for learning the data-driven model and the proposed method is tested on both simulated data and real experimental data.

研究动机与目标

• 为解决肌腱驱动外科手术机器人中高非线性问题，特别是滞后效应和松弛现象带来的挑战。
• 克服纯解析模型（过度简化）和纯数据驱动模型（泛化能力差）在外科机器人领域中的局限性。
• 开发一种混合建模框架，结合两种方法的优势，以提升运动学建模的精度。
• 在微型-IGES外科器械的仿真数据和真实实验数据上评估混合模型的性能。

提出的方法

• 基于机器人的物理结构和肌腱走线，利用几何与运动学假设推导出解析模型。
• 利用高斯过程回归（GPR）构建数据驱动模型，以学习解析模型与真实测量值之间的误差。
• 通过根据GPR预测的置信度（不确定性）对解析模型和GPR模型进行加权，实现混合模型的融合。
• GPR模型采用三种变体进行训练：误差学习（在残差上进行GPR）、带先验的GPR（将解析模型嵌入核函数中）、不带先验的GPR。
• 设计了一种加权函数，根据GPR的预测方差动态调整解析模型与数据驱动模型的贡献比例。
• 在仿真数据和微型-IGES机器人工具的真实世界实验中验证了该方法，采用双纽线轨迹作为评估路径。

实验结果

研究问题

• RQ1 与独立方法相比，结合解析与数据驱动方法的混合模型是否能提升肌腱驱动外科手术机器人的运动学建模精度？
• RQ2 GPR提供的不确定性估计如何影响解析模型与数据驱动模型之间的融合策略？
• RQ3 将先验知识（即解析模型）融入GPR核函数是否能提升泛化能力并减少对训练数据的过拟合？
• RQ4 在具有复杂非线性的真实机器人系统中，混合模型相较于纯解析模型和纯数据驱动模型的性能表现如何？
• RQ5 解析模型的精度对最终混合模型性能有何影响？

主要发现

• 在真实机器人数据上，混合模型在x方向的RMSE达到0.009 m，相较于独立GPR模型（RMSE 0.011 m）降低了40%。
• 混合模型将x方向的最大绝对误差从GPR的0.033 m降低至0.031 m，表现出更强的鲁棒性。
• 在三种测试的GPR变体中，对解析模型与真实数据之间残差进行GPR学习的方案表现最佳。
• 与纯GPR模型相比，混合模型的预测更加平滑，尤其在GPR不确定性较高的区域表现更优。
• 解析模型的精度显著影响最终混合模型的结果；若解析模型质量较差，整体性能将下降。
• 该方法成功平衡了模型置信度与数据驱动学习，在GPR不确定性较高时，混合模型更倾向于依赖解析模型。