CN110083156A - 基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 - Google Patents
基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 Download PDFInfo
- Publication number
- CN110083156A CN110083156A CN201910337042.7A CN201910337042A CN110083156A CN 110083156 A CN110083156 A CN 110083156A CN 201910337042 A CN201910337042 A CN 201910337042A CN 110083156 A CN110083156 A CN 110083156A
- Authority
- CN
- China
- Prior art keywords
- wolf
- path
- puncture
- pack algorithm
- needle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 249
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005452 bending Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 241000282421 Canidae Species 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法,属于智能医疗机器人控制与决策领域。本发明路径规划装置主要包括图像采集器和位于计算机上的路径规划模块。路径规划模块包括路径模型和目标函数构建模块、狼群算法参数输入和初始化模块、狼群算法执行模块和最优路径判断模块。本发明方法基于图像采集器及计算机程序模块,建立柔性针的穿刺路径模型和路径优化的目标函数,生成到靶点的路径作为人工狼,以路径的目标函数值作为更新标准,更新头狼位置,根据设置的最大迭代次数和穿刺路径模型的约束条件,来获得最优路径。本发明快速解决了应用于穿刺针的路径规划问题,缩短了路径规划耗时,获得满足要求的规划路径。
Description
技术领域
本发明属于智能医疗机器人控制与决策领域,涉及一种应用于智能医疗中的穿刺机器人柔性针运动路径规划的装置及方法。
背景技术
随着智能医疗技术的快速发展,手术医疗机器人得到广泛应用。基于计算机视觉传感器的手术导航在近十年来逐渐发展成熟,尤其是在外科手术中,医疗机器人可以借助影像技术最大程度提高穿刺的精准度并减少病人痛苦。
柔性针路径规划是穿刺医疗机器人系统控制的基础,机器人在实施穿刺手术过程中,要借助视觉图像根据目标靶点规划出一条柔性穿刺针的运动路径。柔性针的运动路径规划问题实际上是从穿刺针入口到靶标两点的路径规划问题,其一般描述为:在给定的存在骨骼或者器官为障碍的环境中,穿刺针路径轨迹要合理地避开障碍物,确保在满足精准到达靶目标的要求下,还要不威胁伤害病人其他器官等生理组织,并尽可能让穿刺路径的长度尽量短以减轻患者痛苦。
目前,参考文献[1]提出一种改进的人工势能场法以提高算法的高效性。参考文献[2]考虑了在二维有障碍的环境下的弧线路径规划算法和三维下快速搜索随机树(RTT)来搜索可行性路径。参考文献[3]运用柔性针的运动学模型基于RTT算法的三维路径规划方法实现了三段圆弧的柔性针的轨迹规划。参考文献[4]和参考文献[8]基于环境特征在RTT算法下得到样本路径并通过评价函数得到了最优路径。参考文献[5]用贪婪启发和可达引导改进了RTT算法进行路径规划。参考文献[6]则采用多目标粒子群优化方法对运动学模型进行了优化求解。参考文献[7]建立针-组织互相作用力模型采用遗传模拟退火算法规划初始路径通过迭代学习进行优化。基于柔性针穿刺路径规划涉及运动学模型和针的形变,影响因素较多且互相制约,现有路径规划方法对模型进行了简化,精确度相对较差,算法的计算量和复杂程度较大,难以实现较为实时的路径规划。
狼群算法是一种新的群体智能搜索算法,能够模拟游走、召唤、围攻等智能行为的狼群捕食和猎物分配方式,参考文献[10-12]证明狼群算法具有较好的全局收敛性和鲁棒性,适用于高维、多峰的复杂函数求解和路径规划优化问题。但是,对于穿刺机器人柔性针运动路径规划优化问题,还要求其路径能够合理避开障碍,并缩短路径长度,减少计算量和计算耗时,以减轻病人痛苦;尤其是,穿刺针自身的因其材料、刚度、变形等属性的影响,运动的路径必须符合自身的运动规律,现有狼群算法没有针对此类问题的方法改进和处理方案,因此需要建立用于穿刺手术的路径规划场景和穿刺路径模型,改进狼群算法以达到在此场景下的路径最优规划和实际应用的目的。
参考文献如下:
[1]梁东.图像导向手术穿刺针路径规划的研究[D].2017.
[2]周丽,康剑灵,詹洁,冯金阳.柔性针在有障碍环境中的穿刺路径规划[J].东华大学学报(自然科学版),2015,41(1):130-134.
[3]孔德聪.柔性针穿刺系统路径规划方法研究[D].2014.
[4]李霞,李鹏,熊璟.基于环境特征和随机方法的柔性针路径规划[J].计算机工程与应用,2017(16).
[5]赵燕江,黄磊,杜海艳,张永德,胡海龙.基于改进RRT算法的套管柔性针运动规划[J].仪器仪表学报,2017(3).
[6]霍本岩,赵新刚,韩建达,徐卫良.基于多目标粒子群优化算法的斜尖柔性针穿刺路径规划[J].机器人,2015,37(4):385-394.
[7]黄成.机器人辅助柔性针穿刺的路径规划研究[D].浙江大学,2018.
[8]李霞.机器人辅助柔性针软组织穿刺系统研究[D].2016.
[9]张永德,赵燕江,涂飞,et al.柔性针穿刺路径规划综述[J].哈尔滨理工大学学报,2011(04):7-11.
[10]吴虎胜,张凤鸣,吴庐山.一种新的群体智能算法——狼群算法[J].系统工程与电子技术,2013,35(11):2430-2438.
[11]周强,周永权.一种基于领导者策略的狼群搜索算法[J].计算机应用研究,2013,30(9):2629-2632.
[12]刘永兰,李为民,吴虎胜,宋文静.基于狼群算法的无人机航迹规划[J].系统仿真学报,2015,27(8).
发明内容
针对现有柔性针穿刺路径规划中存在的精确度相对较差,计算量和复杂程度较大,难以快速进行路径规划的问题,本发明通过对现有狼群算法进行改进,以应用到穿刺机器人柔性针运动路径规划中,提供了一种基于狼群算法的穿刺机器人柔性针运动路径规划的装置及方法。
本发明实现的基于狼群算法的穿刺机器人柔性针运动路径规划的装置,包括:
图像采集器,用于获得柔性针所要穿刺的环境图像,并从图像中确定靶点、障碍物位置;
位于计算机上的路径规划模块根据靶点和障碍物位置,进行路径规划,包括:
路径模型和目标函数构建模块,用于建立柔性针的穿刺路径模型,设置路径优化的目标函数;
所述的穿刺路径模型
其中,n表示路径中的总段数,是路径中直线段和圆弧段的总数;Li表示第i段路径的函数,Pi为第i段路径的起点,Vi为第i段路径的圆弧切线方向或直线方向,ri为第i段路径的圆弧半径,若第i段路径是直线段则ri的值为0,li为第i段路径的长度;
所述的路径的目标函数表示为Y,Y=u1Yn+u2Yl+u3Yd;其中,u1,u2,u3分别是Yn,Yl,Yd的加权系数,Yn是描述路径复杂程度的子函数,Yl是描述路径长度的子函数,Yd是描述路径与障碍物最短距离的子函数;
狼群算法参数输入和初始化模块,用于设置狼群算法中的参数,初始化狼群,随机选取N条到靶点的路径作为人工狼;
狼群算法执行模块,对狼群执行狼群算法,以路径的目标函数值作为更新标准,更新头狼位置,头狼位置就是当前最优路径;
最优路径判断模块,用于判断当前狼群算法的迭代数是否达到所设置的最大迭代次数,若否,继续调用狼群算法执行模块,若是,判断当前最优路径是否符合穿刺路径模型的约束条件,约束条件包括:(1)每段路径长度小于等于穿刺针总长度,且分段路径之和小于等于穿刺针总长度;(2)曲线路径曲率在柔性针刚度要求的弯曲曲率范围内;(3)曲线路径与直线路径连接时必须相切且不存在两直线路径直接相连;若符合,输出当前最优路径,若不符合,则结束路径规划,或者调用狼群算法参数输入和初始化模块,调整狼群算法中的参数,重新选取人工狼,再调用狼群算法执行模块选取最优路径。
相应地,基于上述计算机程序模块,本发明实现的基于狼群算法的穿刺机器人柔性针运动路径规划的方法,包括如下步骤:
步骤1,通过图像采集器获得穿刺环境图像,并从图像中确定靶点和障碍物的位置;
步骤2,计算机根据靶点和障碍物开始路径规划,通过计算机程序实现如下流程:
步骤2.1,建立柔性针的穿刺路径模型和路径优化的目标函数;
所述的穿刺路径模型将路径表示为由直线段或圆弧段的组合;
所述的目标函数表示为Y,Y=u1Yn+u2Yl+u3Yd;其中,u1,u2,u3分别是Yn,Yl,Yd的加权系数,Yn是描述路径复杂程度的子函数,Yl是描述路径长度的子函数,Yd是描述路径与障碍物最短距离的子函数;
步骤2.2,初始化狼群算法中的参数,随机选取N条到靶点的路径作为人工狼,人工狼感知的猎物气味浓度值就是路径的目标函数值;N为正整数;
步骤2.3,执行狼群算法,包括:选取头狼;选取探狼,执行游走行为;执行头狼召唤与猛狼奔袭行为;执行猛狼联合探狼围攻行为;更新头狼位置和狼群群体,头狼位置就是当前最优路径;
其中,选取头狼时,是从N条路径中选取其中目标函数值最大的路径作为头狼;
人工狼需要寻优的变量空间的维度包括:路径的总段数以及每段路径的起点、圆弧切线方向或直线方向、圆弧半径和长度;
在探狼游走、猛狼奔袭和围攻行为中,人工狼在变量空间的每个维度中寻优;当探狼或猛狼在更新位置得到的猎物气味浓度大于等于头狼的猎物气味浓度时,该探狼或猛狼取代头狼;
步骤2.4,判断是否达到了所设置的最大迭代次数,若否,继续执行步骤2.3,若是,进一步判断当前最优路径是否符合穿刺路径模型的约束条件,约束条件包括:(1)每段路径长度小于等于穿刺针总长度,且分段路径之和小于等于穿刺针总长度;(2)曲线路径曲率在柔性针刚度要求的弯曲曲率范围内;(3)曲线路径与直线路径连接时必须相切且不存在两直线路径直接相连;若符合,则输出当前最优路径,否不符合,则结束路径规划,或者调整狼群算法中的参数,重新选取人工狼,然后继续执行步骤2.3。
本发明针与现有技术相比,具有以下优势:本发明装置及方法,基于狼群算法实现柔性针运动路径规划,与现有穿刺针路径规划方法相比,能够在保证完成路径规划任务和手术精度的前提下,减少计算量,缩短路径规划耗时,具有较好的全局收敛性。并且,本发明的装置及方法,在应用狼群算法时,根据所提供的柔性针穿刺路径模型,对模型关键参数和目标函数进行了再设计,快速解决了应用于穿刺针的路径规划问题。
附图说明
图1是本发明基于狼群算法的穿刺机器人柔性针运动路径规划流程图;
图2是穿刺机器人柔性针的路径示意图;
图3是本发明的穿刺机器人柔性针运动路径规划装置的示意图。
具体实施方式
下面结合附图和实施例来说明本发明的技术方案。
本发明实现的基于狼群算法的穿刺机器人柔性针运动路径规划的方法,首先,通过图像采集器获得穿刺环境图像,并从图像中确定靶点和障碍物的位置;然后执行下面步骤一至步骤八,所实现的一个流程如图1所示。
步骤一:建立柔性针的穿刺路径模型。
所述柔性针在穿刺过程中的路径几何形式主要分三种:直线路径、圆弧路径、多段复合路径,如2所示。直线路径如图2中的路径2所示,为从穿刺针入口到靶标的两点连线且中间无障碍物。单一的圆弧路径如图2中的路径3所示,其路径绕过一个障碍物后形成的一条弧线。多段复合路径如图2中的路径1所示,其路径由多段圆弧或直线组合而成。在实际中,直线路径较少,更多的是单一的圆弧路径或多段复合路径的组合。柔性针的穿刺路径模型Path可以描述为:
公式(1)中,由n段直线和圆弧组成的路径Path中,第i段路径的起点为Pi,Vi表示第i段路径的圆弧切线方向或直线方向,圆弧半径用ri表示,若是直线则ri值为0,li表示为圆弧或者直线长度,Li表示每一段的路径函数。所述路径模型必须符合柔性针变形约束,所存在的直线与圆弧、圆弧与圆弧的连接必须相切,不存在直线与直线的连接,圆弧的曲率受柔性针刚度和长度限制只能在形变范围内变化。
步骤二:建立路径优化目标函数。
建立路径优化目标函数,首先要确定最优运动路径的标准是要使穿刺针能够准确且安全的到达靶标位置且对患者伤害和疼痛最小,所以要求满足以下条件:一是柔性针穿刺规划的路径必须符合路径模型,并且圆弧或者直线段数尽可能少,保证能够准确到达靶标,减少失败风险。二是路径距离应尽可能短,以减少患者痛苦。三是路径应与障碍物保持一定距离,以减少对患者机体的伤害风险,障碍物是指器官组织、骨骼等。基于以上原则,本发明确定路径优化目标函数Y如下:
Y=u1Yn+u2Yl+u3Yd (2)
目标函数Y的值越大代表所规划的路径越好,目标函数Y由三部分组成,Yn是描述路径复杂程度的子函数,即路径有多少段圆弧路径或者直线路径组成。Yl是描述路径长度的子函数,Yd是描述路径与障碍物最短距离的子函数。而u1,u2,u3分别是Yn,Yl,Yd的加权系数。各子函数公式为:
Yn=nmax/n (3)
Yd=d/dmin (5)
其中,n为所规划的路径的段数,nmax为该柔性针所允许的最大段数,且n≤nmax;l为柔性针所允许的最长工作长度,li为所规划的路径的第i段路径的长度;d为所规划路径中距离障碍物的最小距离,dmin为所允许的穿刺针与障碍物最小安全距离。
步骤三:参数初始化。
在通过医学图像采集穿刺环境信息,确定靶点和障碍物位置后,在不考虑组织变形的基础上,进行初始路径规划。
首先运用狼群算法得到初始最优解,在解空间中初始化狼群的各项参数,设定靶点为路径终点Pf,随机选取N条到终点Pf的路径作为人工狼,设定探狼比例因子a,步长因子C,最大游走限定次数Tmax,距离判定因子w,群体更新比例β和最大迭代次数Kmax。计算N条人工狼感知的猎物气味浓度值,即计算N条路径的目标函数Y,选取其中最大Y值的人工狼作为头狼,即获得初始最优解Ylead。
步骤四:探狼游走。
选取除头狼之外的Snum条人工狼作为探狼,在解空间中搜索猎物,探狼数量Snum在[N/(a+1),N/a]之间取整数值。对于每个探狼j,先计算探狼j在当前位置xj感知猎物气味浓度Y(xj),xj在本发明中是指探狼j对应的当前规划的路径,判断Y(xj)值是否大于头狼感知的猎物气味浓度Ylead,若Y(xj)≥Ylead值时,此时探狼j取代头狼发起召唤行为,同时得到Ylead=Y(xj);若Y(xj)<Ylead,探狼j向h个方向分别前进一步,前进的步长为游走步长steps;本发明中设置h个方向,h均分360度;在第D维变量空间的游走步长stepsD与步长因子C的关系为|MD–mD|/C=stepsD,其中,MD、mD分别为待寻优的第D维变量空间的最大值和最小值。记录前进方向的猎物气味浓度Y值并退回原来的位置,则探狼j在第D维变量空间中,沿着第p(p=1,2,…,h)个方向向前一步后所处的位置可以表示为
其中,xjD表示探狼j在第D维变量空间中的原位置;stepsD表示在第D维空间中探狼的游走步长。本发明方法中,变量空间的维度是根据如公式(1)所示的模型来设置的,包括所规划路径的段数n、每段路径的起点Pi、圆弧切线方向或直线方向Vi、圆弧半径ri、圆弧或者直线长度li。
探狼j按照公式(6)执行游走行为,计算每一维前进后此时探狼j感知的猎物气味浓度,决策后沿气味最浓且大于当前Y(xj)的方向向前移动一步并对探狼j的位置xjD进行更新,重复上述游走行为直到某条探狼j得到的猎物气味浓度大于头狼Ylead时,或达到最大游走限定次数Tmax,停止游走。
在某条探狼游走过程中,到某个位置得到猎物气味浓度大于等于头狼Ylead时,此时将该条探狼取代头狼。
步骤五:头狼召唤与猛狼奔袭。
头狼发起召唤行为,将周围的Mnum条猛狼迅速向头狼所在位置召集,其中Mnum=N-Snum-1。猛狼以较大的步长stepb向头狼位置快速奔袭,stepb为奔袭步长,其中stepb=2·steps。则猛狼q在k+1次迭代时,在第D维空间中所处位置为:
其中,为猛狼q第k次迭代后在第D维空间所处位置,stepbD为猛狼在第D维空间的奔袭步长,stepbD=2·stepsD;gk D为第k次迭代后群体的头狼在第D维空间所处的位置。公式(7)中的第二项是猛狼q向头狼所在的位置聚集的趋势或行为。
猛狼q奔向头狼的过程中,如果猛狼q感知到猎物气味浓度Y(xq)值大于等于Ylead值,则该条猛狼取代头狼,Ylead=Y(xq),此时猛狼q转换为头狼发起召唤行为;
若Y(xq)<Ylead,则猛狼q继续快速奔袭,直到猛狼q与头狼之间的距离dqs小于判定距离dnear时,即可转入围攻行为。判定距离dnear的计算如下:
其中,Dmax为待寻优的变量空间的最大维数。距离判断因子w的值增加会增大狼群算法的收敛速度,但值过大会影响猛狼,使其难以进入围攻行为,因此需要通过试验和经验来设置。
本发明中,猛狼q与头狼之间的距离差dqs是将两条路径在变量空间的每个维度相减求平方和,再开平方得到。
步骤六:狼群围攻。
将头狼的位置作为猎物的位置,猎物的位置为猛狼联合探狼围攻的位置。对于第k次迭代狼群而言,猎物在第D维空间所处的位置为则狼群围攻可用公式(9)表示为:
其中:λ为[-1,1]区间内的随机数,呈均匀分布;stepwD为人工狼i在第D维空间中采取围攻行为时的攻击步长,人工狼i为探狼或猛狼,stepwD=1/2·stepsD。表示人工狼i在第k次迭代后在第D维空间中的位置,为人工狼i在第k+1次迭代后在第D维空间中的位置。
采取围攻行为之后,如果人工狼感知到的气味浓度Y值大于原位置状态所感知的猎物气味浓度,则对此人工狼位置进行更新,否则,人工狼位置不变。
步骤七:狼群更新。
按照头狼产生规则更新头狼的位置,在按照狼群更新机制对整个群体进行更新,去除狼群中最差的R匹人工狼。R的取值为[N/2β,N/β]之间的随机整数。
所述的头狼产生规则是指步骤三中所述的,计算所有路径的目标函数Y,选取其中最大目标函数值Ylead的人工狼作为头狼,头狼所对应的路径就是当前最优路径。
步骤八:判断是否达到了最大迭代次数Kmax,若否,继续转步骤四执行,若是,则进一步判断当前狼群的头狼的位置,即最优路径是否符合路径模型约束条件的要求,模型约束条件包括:(1)每段路径长度li小于等于穿刺针总长度,且分段路径之和小于等于穿刺针总长度;(2)曲线路径曲率在柔性针刚度要求的弯曲曲率范围内;(3)曲线路径与直线路径连接时必须相切且不存在两直线路径直接相连。当符合模型约束条件又达到最大迭代次数Kmax时,输出头狼位置,即最优路径;否则继续转入步骤四执行。
当达到了最大迭代次数Kmax或迭代的最优路径的目标函数值不变时,但获得的最优路径仍然不符合模型约束条件时,此时需要重新更改狼群算法的参数再进行迭代,或者停止寻找路径。
相应的,本发明实现的基于狼群算法的穿刺机器人柔性针运动路径规划的装置,如图3所示,主要包括图像采集器和位于计算机上的路径规划模块。
图像采集器,用于获得柔性针所要穿刺的环境图像,并从图像中确定靶点、障碍物位置。靶点就是目标点,障碍物是指器官组织、骨骼等。
位于计算机上的路径规划模块根据靶点和障碍物位置,进行路径规划,包括:路径模型和目标函数构建模块、狼群算法参数输入和初始化模块、狼群算法执行模块和最优路径判断模块。
路径模型和目标函数构建模块,用于建立柔性针的穿刺路径模型,设置路径优化的目标函数。
所述的穿刺路径模型如公式(1)所示。
所述的路径的目标函数为Y=u1Yn+u2Yl+u3Yd,如公式(2)~(5)所示。
狼群算法参数输入和初始化模块,用于设置狼群算法中的参数,初始化狼群,随机选取N条到靶点的路径作为人工狼。具体所设置的参数参见上面步骤三。
狼群算法执行模块,对狼群执行狼群算法,以路径的目标函数值作为更新标准,更新头狼位置,头狼位置就是当前最优路径。具体进行狼群算法的过程参见上面步骤四至七。
最优路径判断模块,用于判断当前狼群算法的迭代数是否达到所设置的最大迭代次数,若否,继续调用狼群算法执行模块,若是,判断当前最优路径是否符合穿刺路径模型的约束条件,约束条件包括:(1)每段路径长度小于等于穿刺针总长度,且分段路径之和小于等于穿刺针总长度;(2)曲线路径曲率在柔性针刚度要求的弯曲曲率范围内;(3)曲线路径与直线路径连接时必须相切且不存在两直线路径直接相连;若符合,输出当前最优路径,若不符合,则结束路径规划,或者调用狼群算法参数输入和初始化模块,调整狼群算法中的参数,重新选取人工狼,再调用狼群算法执行模块选取最优路径。
本发明采用狼群算法来求解最优路径,相比遍历算法大大减少了计算量,并且狼群算法“由粗到细”精度的增加,也能够获得较优的路径。
Claims (9)
1.一种基于狼群算法的穿刺机器人柔性针运动路径规划装置,其特征在于,包括:
图像采集器,用于获得柔性针所要穿刺的环境图像,并从图像中确定靶点、障碍物位置;
位于计算机上的路径规划模块根据靶点和障碍物位置,进行路径规划,包括:
路径模型和目标函数构建模块,用于建立柔性针的穿刺路径模型,设置路径优化的目标函数;
所述的穿刺路径模型
其中,n表示路径中的总段数,是路径中直线段和圆弧段的总数;Li表示第i段路径的函数,Pi为第i段路径的起点,Vi为第i段路径的圆弧切线方向或直线方向,ri为第i段路径的圆弧半径,若第i段路径是直线段则ri的值为0,li为第i段路径的长度;
所述的路径的目标函数表示为Y,Y=u1Yn+u2Yl+u3Yd;其中,u1,u2,u3分别是Yn,Yl,Yd的加权系数,Yn是描述路径复杂程度的子函数,Yl是描述路径长度的子函数,Yd是描述路径与障碍物最短距离的子函数;
狼群算法参数输入和初始化模块,用于设置狼群算法中的参数,初始化狼群,随机选取N条到靶点的路径作为人工狼;
狼群算法执行模块,对狼群执行狼群算法,以路径的目标函数值作为更新标准,更新头狼位置,头狼位置就是当前最优路径;
最优路径判断模块,用于判断当前狼群算法的迭代数是否达到所设置的最大迭代次数,若否,继续调用狼群算法执行模块,若是,判断当前最优路径是否符合穿刺路径模型的约束条件,约束条件包括:(1)每段路径长度小于等于穿刺针总长度,且分段路径之和小于等于穿刺针总长度;(2)曲线路径曲率在柔性针刚度要求的弯曲曲率范围内;(3)曲线路径与直线路径连接时必须相切且不存在两直线路径直接相连;若符合,输出当前最优路径,若不符合,则结束路径规划,或者调用狼群算法参数输入和初始化模块,调整狼群算法中的参数,重新选取人工狼,再调用狼群算法执行模块选取最优路径。
2.根据权利要求1所述的装置,其特征在于,所述的狼群算法执行模块,在执行狼群算法时,人工狼需要寻优的变量空间的维度包括:路径的总段数以及每段路径的起点、圆弧切线方向或直线方向、圆弧半径和长度。
3.根据权利要求1或2所述的装置,其特征在于,所述的狼群算法执行模块,执行狼群算法,包括:选取头狼;选取探狼,执行游走行为;执行头狼召唤与猛狼奔袭行为;执行猛狼联合探狼围攻行为;更新头狼位置和狼群群体;其中,选取头狼时是从N条路径中选取其中目标函数值最大的路径作为头狼;在探狼游走、猛狼奔袭和围攻行为中,人工狼在变量空间的每个维度中寻优;当探狼或猛狼在更新位置得到的猎物气味浓度大于等于头狼的猎物气味浓度时,该探狼或猛狼取代头狼;人工狼感知的猎物气味浓度值就是路径的目标函数值。
4.根据权利要求1或2所述的装置,其特征在于,所述的狼群算法参数输入和初始化模块中,设置的狼群算法的参数包括:设定探狼比例因子a,步长因子C,最大游走限定次数Tmax,距离判定因子w,群体更新比例β和最大迭代次数Kmax。
5.一种基于狼群算法的穿刺机器人柔性针运动路径规划的方法,其特征在于,包括如下步骤:
步骤1,通过图像采集器获得穿刺环境图像,并从图像中确定靶点和障碍物的位置;
步骤2,基于计算机程序模块,根据靶点和障碍物开始路径规划,包括:
步骤2.1,建立柔性针的穿刺路径模型和路径优化的目标函数;
所述的穿刺路径模型将路径表示为由直线段或圆弧段的组合;
所述的目标函数表示为Y,Y=u1Yn+u2Yl+u3Yd;其中,u1,u2,u3分别是Yn,Yl,Yd的加权系数,Yn是描述路径复杂程度的子函数,Yl是描述路径长度的子函数,Yd是描述路径与障碍物最短距离的子函数;
步骤2.2,初始化狼群算法中的参数,随机选取N条到靶点的路径作为人工狼,人工狼感知的猎物气味浓度值就是路径的目标函数值;N为正整数;
步骤2.3,执行狼群算法,包括:选取头狼;选取探狼,执行游走行为;执行头狼召唤与猛狼奔袭行为;执行猛狼联合探狼围攻行为;更新头狼位置和狼群群体,头狼位置就是当前最优路径;
其中,选取头狼时,是从N条路径中选取其中目标函数值最大的路径作为头狼;
人工狼需要寻优的变量空间的维度包括:路径的总段数以及每段路径的起点、圆弧切线方向或直线方向、圆弧半径和长度;
在探狼游走、猛狼奔袭和围攻行为中,人工狼在变量空间的每个维度中寻优;当探狼或猛狼在更新位置得到的猎物气味浓度大于等于头狼的猎物气味浓度时,该探狼或猛狼取代头狼;
步骤2.4,判断是否达到了所设置的最大迭代次数,若否,继续执行步骤2.3,若是,进一步判断当前最优路径是否符合穿刺路径模型的约束条件,约束条件包括:(1)每段路径长度小于等于穿刺针总长度,且分段路径之和小于等于穿刺针总长度;(2)曲线路径曲率在柔性针刚度要求的弯曲曲率范围内;(3)曲线路径与直线路径连接时必须相切且不存在两直线路径直接相连;若符合,则输出当前最优路径,否不符合,则结束路径规划,或者调整狼群算法中的参数,重新选取人工狼,然后继续执行步骤2.3。
6.根据权利要求5所述的方法,其特征在于,所述的步骤2.1中,所建立的柔性针的穿刺路径模型表示为Path,如下所示:
其中,n表示路径中的总段数,是路径中直线段和圆弧段的总数;Li表示第i段路径的函数,Pi为第i段路径的起点,Vi为第i段路径的圆弧切线方向或直线方向,ri为第i段路径的圆弧半径,若第i段路径是直线段则ri的值为0,li为第i段路径的长度。
7.根据权利要求5或6所述的方法,其特征在于,所述的步骤2.1中,所述的目标函数中的三个子函数表示如下:
其中,n为所规划的路径的段数,nmax为该柔性针所允许的最大段数,且n≤nmax;l为柔性针所允许的最长工作长度,li为所规划的路径的第i段路径的长度;d为所规划路径中距离障碍物的最小距离,dmin为所允许的穿刺针与障碍物最小安全距离。
8.根据权利要求6所述的方法,其特征在于,所述的步骤2.2中,所述的初始化狼群算法中的参数包括:设定探狼比例因子a,步长因子C,最大游走限定次数Tmax,距离判定因子w,群体更新比例β和最大迭代次数Kmax。
9.根据权利要求6所述的方法,其特征在于,所述的步骤2.3中,在执行头狼召唤与猛狼奔袭行为时,猛狼与头狼之间的距离小于判定距离时,转入围攻行为;
猛狼与头狼之间的距离是将两条人工狼对应的当前路径在变量空间的每个维度相减求平方和,再开平方得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910337042.7A CN110083156A (zh) | 2019-04-25 | 2019-04-25 | 基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910337042.7A CN110083156A (zh) | 2019-04-25 | 2019-04-25 | 基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110083156A true CN110083156A (zh) | 2019-08-02 |
Family
ID=67416640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910337042.7A Pending CN110083156A (zh) | 2019-04-25 | 2019-04-25 | 基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083156A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471426A (zh) * | 2019-09-02 | 2019-11-19 | 哈尔滨工程大学 | 基于量子狼群算法的无人驾驶智能车自动避碰方法 |
CN110543953A (zh) * | 2019-08-30 | 2019-12-06 | 西南交通大学 | 基于狼群算法的空间约束下多目标拆卸线设置方法 |
CN110608738A (zh) * | 2019-08-14 | 2019-12-24 | 青岛科技大学 | 一种无人船全局气象航线动态规划方法和系统 |
CN110619679A (zh) * | 2019-09-10 | 2019-12-27 | 真健康(北京)医疗科技有限公司 | 一种路径自动规划装置及方法 |
CN111783341A (zh) * | 2020-07-03 | 2020-10-16 | 广东省智能制造研究所 | 一种基于路径规划的靶向机器人运动优化方法及系统 |
CN113296520A (zh) * | 2021-05-26 | 2021-08-24 | 河北工业大学 | 融合a*与改进灰狼算法的巡检机器人路径规划方法 |
WO2021217842A1 (zh) * | 2020-04-30 | 2021-11-04 | 北京航空航天大学 | 基于无模型自适应算法的多爪针自动穿刺控制装置及控制方法 |
CN113934213A (zh) * | 2021-10-21 | 2022-01-14 | 扬州大学 | 基于多特征活动桩优化迭代的预弯柔性探针路径规划方法 |
CN114550943A (zh) * | 2022-04-21 | 2022-05-27 | 武汉烽火凯卓科技有限公司 | 一种基于医疗影像的冲击波入射点仿真规划方法及系统 |
CN115994891A (zh) * | 2022-11-22 | 2023-04-21 | 河海大学 | 基于狼群算法的无人载具混凝土坝表面缺陷动态检测方法 |
CN116784975A (zh) * | 2023-04-26 | 2023-09-22 | 安徽医科大学 | 基于改进Bi-RRT算法的柔性穿刺针路径规划方法 |
CN116807611A (zh) * | 2023-05-24 | 2023-09-29 | 安徽医科大学 | 一种基于差分进化算法的柔性穿刺针路径规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102920510A (zh) * | 2012-10-29 | 2013-02-13 | 清华大学 | 柔性穿刺针的路径规划方法 |
CN104794526A (zh) * | 2015-05-13 | 2015-07-22 | 哈尔滨工程大学 | 一种狼群搜索算法优化的船舶自动避碰方法 |
CN106021935A (zh) * | 2016-05-24 | 2016-10-12 | 深圳先进技术研究院 | 一种柔性针穿刺路径评估方法及系统 |
CN106650298A (zh) * | 2017-01-11 | 2017-05-10 | 湘潭大学 | 基于环境特征和随机方法的柔性针路径规划方法 |
CN107126258A (zh) * | 2017-06-29 | 2017-09-05 | 哈尔滨理工大学 | 一种微创手术套管柔性针的路径规划方法 |
-
2019
- 2019-04-25 CN CN201910337042.7A patent/CN110083156A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102920510A (zh) * | 2012-10-29 | 2013-02-13 | 清华大学 | 柔性穿刺针的路径规划方法 |
CN104794526A (zh) * | 2015-05-13 | 2015-07-22 | 哈尔滨工程大学 | 一种狼群搜索算法优化的船舶自动避碰方法 |
CN106021935A (zh) * | 2016-05-24 | 2016-10-12 | 深圳先进技术研究院 | 一种柔性针穿刺路径评估方法及系统 |
CN106650298A (zh) * | 2017-01-11 | 2017-05-10 | 湘潭大学 | 基于环境特征和随机方法的柔性针路径规划方法 |
CN107126258A (zh) * | 2017-06-29 | 2017-09-05 | 哈尔滨理工大学 | 一种微创手术套管柔性针的路径规划方法 |
Non-Patent Citations (5)
Title |
---|
JESSE WHITTINGTON等: "Path Tortuosity and the Permeability of Roads and Trails to Wolf Movement", 《ECOLOGY AND SOCIETY》 * |
SEN ZHANG等: "Grey wolf optimizer for unmanned combat aerial vehicle path planning", 《ADVANCES IN ENGINEERING SOFTWARE》 * |
刘洪丹: "船舶智能自动避碰策略研究", 《中国博士学位论文全文数据库》 * |
惠晓滨等: "一种改进的狼群算法", 《控制与决策》 * |
赵燕江等: "多种路径形式组合的柔性针二维路径优化", 《中国机械工程》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110608738A (zh) * | 2019-08-14 | 2019-12-24 | 青岛科技大学 | 一种无人船全局气象航线动态规划方法和系统 |
CN110608738B (zh) * | 2019-08-14 | 2021-08-03 | 青岛科技大学 | 一种无人船全局气象航线动态规划方法和系统 |
CN110543953A (zh) * | 2019-08-30 | 2019-12-06 | 西南交通大学 | 基于狼群算法的空间约束下多目标拆卸线设置方法 |
CN110543953B (zh) * | 2019-08-30 | 2022-03-29 | 西南交通大学 | 基于狼群算法的空间约束下多目标拆卸线设置方法 |
CN110471426A (zh) * | 2019-09-02 | 2019-11-19 | 哈尔滨工程大学 | 基于量子狼群算法的无人驾驶智能车自动避碰方法 |
CN110619679B (zh) * | 2019-09-10 | 2022-05-31 | 真健康(北京)医疗科技有限公司 | 一种路径自动规划装置及方法 |
CN110619679A (zh) * | 2019-09-10 | 2019-12-27 | 真健康(北京)医疗科技有限公司 | 一种路径自动规划装置及方法 |
WO2021217842A1 (zh) * | 2020-04-30 | 2021-11-04 | 北京航空航天大学 | 基于无模型自适应算法的多爪针自动穿刺控制装置及控制方法 |
CN111783341A (zh) * | 2020-07-03 | 2020-10-16 | 广东省智能制造研究所 | 一种基于路径规划的靶向机器人运动优化方法及系统 |
CN113296520A (zh) * | 2021-05-26 | 2021-08-24 | 河北工业大学 | 融合a*与改进灰狼算法的巡检机器人路径规划方法 |
CN113934213A (zh) * | 2021-10-21 | 2022-01-14 | 扬州大学 | 基于多特征活动桩优化迭代的预弯柔性探针路径规划方法 |
CN113934213B (zh) * | 2021-10-21 | 2023-08-29 | 扬州大学 | 基于多特征活动桩优化迭代的预弯柔性探针路径规划方法 |
CN114550943A (zh) * | 2022-04-21 | 2022-05-27 | 武汉烽火凯卓科技有限公司 | 一种基于医疗影像的冲击波入射点仿真规划方法及系统 |
CN114550943B (zh) * | 2022-04-21 | 2022-07-29 | 武汉烽火凯卓科技有限公司 | 一种基于医疗影像的冲击波入射点仿真规划方法及系统 |
CN115994891A (zh) * | 2022-11-22 | 2023-04-21 | 河海大学 | 基于狼群算法的无人载具混凝土坝表面缺陷动态检测方法 |
CN115994891B (zh) * | 2022-11-22 | 2023-06-30 | 河海大学 | 基于狼群算法的无人载具混凝土坝表面缺陷动态检测方法 |
CN116784975A (zh) * | 2023-04-26 | 2023-09-22 | 安徽医科大学 | 基于改进Bi-RRT算法的柔性穿刺针路径规划方法 |
CN116807611A (zh) * | 2023-05-24 | 2023-09-29 | 安徽医科大学 | 一种基于差分进化算法的柔性穿刺针路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083156A (zh) | 基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 | |
CN110111880B (zh) | 柔性针的基于障碍分级的人工势场路径规划方法及装置 | |
CN107504972B (zh) | 一种基于鸽群算法的飞行器航迹规划方法及装置 | |
CN110049742B (zh) | 用于机器人控制的图像引导的运动缩放 | |
US10803662B2 (en) | Methods, systems, and computer readable media for transoral lung access | |
CN105511457B (zh) | 机器人静态路径规划方法 | |
JP6915909B2 (ja) | 機器移動の制御方法、制御装置、記憶媒体及び電子機器 | |
CN113341984A (zh) | 基于改进rrt算法的机器人路径规划方法和装置 | |
JP2012208789A (ja) | 強化学習装置、制御装置、および強化学習方法 | |
CN106454108B (zh) | 基于人工智能的跟踪拍摄方法、装置和电子设备 | |
Caborni et al. | Risk-based path planning for a steerable flexible probe for neurosurgical intervention | |
CN114485665A (zh) | 一种基于麻雀搜索算法的无人机航迹规划方法 | |
CN116494247A (zh) | 基于深度确定性策略梯度的机械臂路径规划方法及系统 | |
CN110840534B (zh) | 穿刺速度规划方法、装置、穿刺设备以及计算机存储介质 | |
CN113397704A (zh) | 机器人定位方法、装置、系统及计算机设备 | |
He et al. | Endoscopic path planning in robot-assisted endoscopic nasal surgery | |
CN110123447A (zh) | 应用于影像引导的引导路径规划方法及装置 | |
Trejos et al. | Port placement for endoscopic cardiac surgery based on robot dexterity optimization | |
CN107562837B (zh) | 一种基于道路网的机动目标跟踪算法 | |
Zhao et al. | Path planning of arbitrary shaped mobile robots with safety consideration | |
CN115454061B (zh) | 一种基于3d技术的机器人路径避障方法及系统 | |
CN114022538B (zh) | 一种内窥镜的路径规划方法、装置、终端及存储介质 | |
CN114266831A (zh) | 辅助手术的数据处理方法、装置、设备、介质与系统 | |
CN117217399B (zh) | 基于微电极阵列的生物智能辅助迷宫路径规划装置和方法 | |
CN114027974B (zh) | 一种多病灶点的内窥镜路径规划方法、装置及终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |
|
RJ01 | Rejection of invention patent application after publication |