文章序号、所属单元及链接:1646-Surgical Robotics Laparascopy
一作所属单位:University of Washington
读后体会:以我浅薄的学术认知原本认为这篇论文挺牛逼的,实验细节给的很多,关键是结果提升很大。跟老师交流之后才知道这论文只能骗骗外行人,关键的问题是他是空载进行实验的,绳驱动机器人负载和空载的差距很大,还需要考虑绳经过一段时间使用之后动态特性的变化,这个也很复杂。
精确的实时数据驱动的对RAVEN-II手术机器人末端执行器位置估计器
AbstractIntroductionA.背景B.相关工作C.贡献 MethodsA.系统工作流程C.自动霍夫圆检测D.帧更新算法E.末端执行器定位F.神经网络结构 Experimental ResultA.实验设置B.神经网络离线训练C.性能分析 Discussion & Future WorkA.第一阶段性能B. 第二阶段的优点 ConclusionAbstract
在过去的几十年中,外科手术机器人因其高灵敏度,小尺寸和远程可控性而被引入手术室。许多外科手术机器人的线驱动特性使系统灵巧轻巧,直径低至5mm。然而,由于线的松弛和拉伸以及齿轮的游隙,在运动学计算中不可避免地会带来不确定性。由于RAVEN-II 等外科手术机器人的末端执行器位置是使用电机编码器测量值和正向运动学直接计算得出的,因此它可能包含相对较大的误差,最大误差可达10mm,而在腹部手术中引入半自主功能时,其能够容忍的位置误差最大值为1mm。为了解决该问题,提出了一种经济高效,实时且数据驱动的机器人末端执行器位置精确估计的模型,并在RAVEN-II 上进行了测试。分析显示,在没有高分辨率运动跟踪器的情况下,遍历整个机器人工作空间的末端执行器位置误差改善后约1mm RMS。开源代码,数据集,视频和用户指南可在//HaonanPeng/RAVEN_Neural_Network_Estimator 上找到。
Introduction
A.背景
机器人辅助的微创手术(RAMIS