CN111933268B - 一种用于血管介入手术机器人系统的时滞误差预测控制方法 - Google Patents
一种用于血管介入手术机器人系统的时滞误差预测控制方法 Download PDFInfo
- Publication number
- CN111933268B CN111933268B CN202010678540.0A CN202010678540A CN111933268B CN 111933268 B CN111933268 B CN 111933268B CN 202010678540 A CN202010678540 A CN 202010678540A CN 111933268 B CN111933268 B CN 111933268B
- Authority
- CN
- China
- Prior art keywords
- output
- input
- prediction
- robot system
- time
- 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.)
- Active
Links
- 230000002792 vascular Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims abstract description 46
- 230000004044 response Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013152 interventional procedure Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/30—Surgical robots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/30—Surgical robots
- A61B2034/303—Surgical robots specifically adapted for manipulations within body lumens, e.g. within lumen of gut, spine, or blood vessels
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Software Systems (AREA)
- Robotics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
一种用于血管介入手术机器人系统的时滞误差预测控制方法，利用系统辨识技术得到的系统的数学模型作为预测模型，在主端设备采集医生手部位移动作的同时，通过预测控制的方式，对时滞产生的误差进行预测，将预测的误差补偿至从端设备中，通过迭代优化使得输入的控制量为最优控制量，减小时滞以及机械因素所带来的误差，以达到补偿时滞带来的误差的目的，使医疗机器人系统的精准度以及实时性更好，在医疗机器人的领域具有较高的实用性和可研究价值；此方法简单易行，对于主从式的高精度医疗器械领域具有非常强的实用性和可推广性。
Description
技术领域
本发明属于机器人技术、自动控制技术领域，尤其是一种用于血管介入手术机器人系统的时滞误差预测控制方法，能够利用系统辨识技术得到血管介入手术机器人的数学模型，随后使用辨识得到的数学模型来进行控制。
背景技术
随着远程医疗技术的快速发展，越来越多主从式的手术机器人系统投入使用。其中使用频率最高、发展最快的便是主从式血管介入手术机器人系统。主从式血管介入手术机器人系统的工作方式为：由医生操作主端设备，主端设备将采集医生手部的位移动作，然后将采集好的位移动作经过中央控制器处理传输至从端设备，从端设备根据中央处理器传输来的信号对医生的动作进行复现来完成手术。
由于血管介入手术机器人为主从系统，存在明显的时滞问题。产生这种时滞的主要原因为控制逻辑本身存在问题，该系统的控制逻辑为：血管介入手术机器人系统运行的过程中，一定需要通过主端设备采集医生的动作，再将动作信息传输至从端设备，以驱动从端设备运行。因此，主端设备在采集医生动作的过程中的采样间隔会成为血管介入机器人系统的时滞。而这种时滞无法通过提高主端设备与从端设备的通讯速度而带来得到改善。
为了解决这一问题，我们设计了一种时滞误差预测控制方法，通过状态空间模型预测时滞所带来的误差，将预测出的误差补偿至从端设备，通过这种方式来弥补时滞所带来的误差。
发明内容
本发明的目的在于提供一种用于血管介入手术机器人系统的时滞误差预测控制方法，它可以解决现有技术中的时滞问题，通过将预测时滞所带来的误差作为系统控制的补偿量，从而来达到提高血管介入手术机器人系统实时性和精准度的目的，该方法简单且容易实现。
本发明采用的技术方案：一种用于血管介入手术机器人系统的时滞误差预测控制方法，其特征在于它包括以下步骤：
(1)以血管介入手术机器人系统的主端设备的位移量为输入信号，以从端设备的位移量为输出信号，利用Matlab(Matrix&Laboratory，矩阵工厂/矩阵实验室)的系统辨识工具包，建立血管介入手术机器人系统的传递函数模型，模型如式(1)所示：
其中，k和p为常系数，t为系统的时间滞后参数；
(2)利用Matlab中的step函数得到血管介入手术机器人系统的阶跃响应H(l)，并建立如下的血管介入手术机器人系统的卷积模型：
其中，y(k)为系统的当前时刻的输出，u(k-l)为系统上一时刻的输入；
由于血管介入手术机器人系统的卷积模型可以表示当前时刻的输出与上一时刻的输入之间关系，故可将式(2)所示的卷积模型作为预测模型；
(3)对时域控制量和时域预测量分别进行设置，其中，所述时域控制量是指输入控制量的时间长度；所述时域预测量是指利用步骤(2)中得到的预测模型对系统输出量进行预测的时间段，即对从端设备的位移进行预测的时间段；
所述步骤(3)中的时域预测量与主端设备的采样间隔相同；由于预测的精度受预测时域长度的影响，过长的预测时间会导致预测结果的精度降低，过短的预测时间长度会导致预测次数过多将导致计算量过大给控制器带来负担，因此，选择预测时域与主端设备的采样时间相同。
所述步骤(3)中的时域控制量指的是每个输入量输入系统的时间间隔，根据血管壁的厚度以及手术导管的安全推进速度，设置安全的控制时域值。
(4)将实际测得的主端设备的位移作为当前时间段的输入代入如公式(2)所示的预测模型中，即可得到未来时刻的输出，达到对下一时刻输出量进行预测的目的；
所述步骤(4)中利用预测模型得到未来时刻的输出具体是指：公式(2)中，u(k-l)为系统上一时刻的输入量，即：主端设备的位移，y(k)为下一个时刻的输出量，即：从端设备的位移，将实际测得的主端设备的位移作为当前时间段的输入代入u(k-l)，即可得到未来时刻的输出y(k)。
所述步骤(4)中实际测得的主端设备的位移是使用NOVOTECHNIK公司生产的直线位移传感器测得。
(5)由于测量设备测量输入量以及输出量的误差以及系统辨识技术本身的误差，将导致步骤(1)得到预测模型无法与真实的系统达到完全匹配的效果，使得预测出的从端设备的位移量与实际的从端设备的位移量是有误差的；因此，将步骤(4)中预测到的输出量与实际输出量进行做差，利用闭环反馈，则可得到预测输出量与实际输出量之间的误差；
(6)利用步骤(5)中得到的预测输出量与实际输出量之间的误差结果对步骤(4)中产生的预测结果进行补偿，即：将步骤(5)中计算得到的预测误差与原有的输入量进行求和，则可得到新的输入量，将新的输入量作为血管介入手术机器人系统的输入到，即可实现闭环预测结果；此时，闭环的预测结果将比步骤(4)中通过预测模型得到的开环预测结果要更加准确；
(7)步骤(6)中得到了更加准确的预测结果，但只依靠在预测模块中得到了较为精确的预测输出不足以使得血管介入手术机器人系统的整体性能指标更加优化，因此需要对血管介入手术机器人系统的整体性能指标进行优化，使血管介入手术机器人系统的整体性能指标为主端设备的位移与从端设备的位移保持一致；加入闭环反馈以及PID控制器使血管介入手术机器人的整体性能得到优化，将此时的输入量与输出量做差，即：将主端设备位移与从端设备位移求差，将这个误差作为输入量输入PID控制器，并将调整后的结果作为被控对象血管介入手术机器人系统的输入信号，最后经过PID控制器调整过后输出的结果即为经过预测反馈环以及输出反馈环的双闭环结构调整后的结果。
本发明的工作原理：根据预测结果，针对血管介入手术机器人系统提出了整体系统的性能指标，即：从端设备的运动与主端设备的运动(即位移量)达到完全一致的效果，引入闭环反馈，将主端设备的位移量(系统输入)与从端设备的位移量(系统输出)做差得到主端设备与从端设备运动的误差，将测量的误差补偿至输入量中，并加入PID控制使误差量变得更小。
其中的PID技术为一种技术，PID控制器是一个在工业控制应用中常见的反馈回路控制方法，由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制；积分控制可消除稳态误差，但可能增加超调；微分控制可加快大惯性系统响应速度以及减弱超调趋势。
此外，利用了系统辨识技术求得较为精确的血管介入手术机器人系统的传递函数模型通过Matlab程序中的step函数得到阶跃响应，利用血管介入手术机器人系统的叠加性质建立卷积模型；利用卷积模型的特点预测未来时刻的输出；通过预测反馈环的方式让预测结果更加精准；最后利用反馈以及PID控制的方式使系统的输出更加准确。提高血管介入手术机器人系统的准确性和安全性。
本发明优点和积极效果为：利用系统辨识技术得到的传递函数模型经过转化得到的卷积模型作为预测模型，在主端设备采集医生手部位移动作的同时，通过预测控制的方式，对时滞产生的误差进行预测，将预测的误差补偿至从端设备中，减小时滞以及机械因素所带来的误差，以达到补偿时滞带来的误差的目的，使医疗机器人系统的精准度以及实时性更好，在医疗机器人的领域具有较高的实用性和可研究价值。
附图说明
图1为本发明所涉一种用于血管介入手术机器人系统的时滞误差预测控制方法的获得预测模型以及输出预测结果的工作原理示意图。
图2为本发明所涉一种用于血管介入手术机器人系统的时滞误差预测控制方法的预测模块的反馈环工作原理示意图。
图3为本发明所涉一种用于血管介入手术机器人系统的时滞误差预测控制方法的整体信号流图。
具体实施方式
实施例：一种用于血管介入手术机器人系统的时滞误差预测控制方法，其特征在于它包括以下步骤：
(1)如图1所示，以血管介入手术机器人系统的主端设备的位移量为输入信号，以从端设备的位移量为输出信号，利用Matlab的系统辨识工具包，建立血管介入手术机器人系统的传递函数模型，模型如式(1)所示：
其中，k和p为常系数，t为系统的时间滞后参数；
(2)利用Matlab中的step函数得到血管介入手术机器人系统的阶跃响应H(l)，并建立如下的血管介入手术机器人系统的卷积模型：
其中，y(k)为系统的当前时刻的输出，u(k-l)为系统上一时刻的输入；
由于血管介入手术机器人系统的卷积模型可以表示当前时刻的输出与上一时刻的输入之间关系，故可将式(2)所示的卷积模型作为预测模型；
(3)对时域控制量和时域预测量分别进行设置，其中，所述时域控制量是指输入控制量的时间长度；所述时域预测量是指利用步骤(2)中得到的预测模型对系统输出量进行预测的时间段，即对从端设备的位移进行预测的时间段；
选取时域预测量与主端设备的采样间隔相同，此时取0.5s；由于预测的精度受预测时域长度的影响，过长的预测时间会导致预测结果的精度降低，过短的预测时间长度会导致预测次数过多将导致计算量过大给控制器带来负担，因此，选择预测时域与主端设备的采样时间相同。
时域控制量指的是每个输入量输入系统的时间间隔，根据血管壁的厚度以及手术导管的安全推进速度，设置安全的控制时域为10ms。
(4)将NOVOTECHNIK公司生产的直线位移传感器实际测得的主端设备的位移作为当前时间段的输入代入如公式(2)所示的预测模型中，即可得到未来时刻的输出，达到对下一时刻输出量进行预测的目的；
公式(2)中，u(k-l)为系统上一时刻的输入量，即：主端设备的位移，y(k)为下一个时刻的输出量，即：从端设备的位移，将实际测得的主端设备的位移作为当前时间段的输入代入u(k-l)，即可得到未来时刻的输出y(k)。
实施例中选取其中的一个时刻为步骤(3)中所设定的预测时域量，即0.5s，此时的预测时域则为将要预测所设置的预测时域量的输出，即：预测预测时域量为0.5s时的输出；
(5)由于测量设备测量输入量以及输出量的误差以及系统辨识技术本身的误差，将导致步骤(1)得到预测模型无法与真实的系统达到完全匹配的效果，使得预测出的从端设备的位移量与实际的从端设备的位移量是有误差的；因此，将步骤(4)中预测到的输出量与实际输出量进行做差，利用闭环反馈，则可得到预测输出量与实际输出量之间的误差；如图2所示；
(6)利用步骤(5)中得到的预测输出量与实际输出量之间的误差结果对步骤(4)中产生的预测结果进行补偿，即：将步骤(5)中计算得到的预测误差与原有的输入量进行求和，则可得到新的输入量，将新的输入量作为血管介入手术机器人系统的输入到，即可实现闭环预测结果；此时，闭环的预测结果将比步骤(4)中通过预测模型得到的开环预测结果要更加准确；
(7)步骤(6)中得到了更加准确的预测结果，但只依靠在预测模块中得到了较为精确的预测输出不足以使得血管介入手术机器人系统的整体性能指标更加优化，因此需要对血管介入手术机器人系统的整体性能指标进行优化，使血管介入手术机器人系统的整体性能指标为主端设备的位移与从端设备的位移保持一致，如图3所示，图中的预测模块即为图2所示内容；加入闭环反馈以及PID控制器使血管介入手术机器人的整体性能得到优化，如图3所示，将此时的输入量与输出量做差，即：将主端设备位移与从端设备位移求差，将这个误差作为输入量输入PID控制器，并将调整后的结果作为被控对象血管介入手术机器人系统的输入信号，最后经过PID控制器调整过后输出的结果即为经过预测反馈环以及输出反馈环的双闭环结构调整后的结果。
下面通过附图结合具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
一种用于血管介入手术机器人系统的预测控制方法。我们主要需要四步来实现。
第一步，获得预测模型。如图1所示，为了获得更精确的模型，我们将使用Matlab程序中的系统辨识工具包。首先，将主端设备位移作为输入量，从端设备的位移作为输出量。将输入量和输出量载入Matlab程序中的系统辨识工具包中，得到血管介入手术机器人系统的传递函数。再通过Matlab程序中的step函数得到血管介入手术机器人的阶跃响应模型。
第二步，使用预测模型进行预测。将上一步得到的阶跃响应模型与实际输入做卷积得到系统的卷积模型。将该卷积模型作为预测模型，由于血管介入手术机器人系统的卷积模型可以表示当前时刻的输出与上一时刻的输入之间关系，故可将卷积模型作为预测模型；将当前时刻的输入代入卷积模型中，便可求出下一时刻的输出起到了预测下一时刻输出的目的。
第三步，对预测的结果进行校正。如图2所示，单纯通过预测模型得到预测结果并不是完全精确，需要进行校正。将当前输入量主端位移量代入到预测模型中，得到预测输出，此时的预测输出为从端设备的位移。将预测输出与此时的实际输出进行比较做差得到预测输出的误差，将此时的输出误差补偿至输入量中。通过这种闭环反馈的方式得到更精确的预测输出，将这种闭环方式称为预测反馈环。通过闭环反馈的方式得到更加精准的预测结果。
第四步，优化血管介入手术机器人系统的整体性能。如图3所示，其中的预测模块为图2中所示的部分。输出反馈环则是通过PID控制整体提高了系统的性能指标。预测模块提高了预测输出的精确性，但单纯的精确预测输出无法保证整体系统的性能指标良好，这里的性能指标为从端设备的运动与主端设备的运动达到完全同步的效果。在预测模块中得到了较为精确的预测输出，将此时的预测模块中得到的预测输出结果与输出量做差作为输入量输入PID控制器中，经过PID控制器调整将调整后的结果输入到被控对象血管介入手术机器人系统中，最后输出我们经过预测反馈环以及输出反馈环的双闭环结构调整后的结果。
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。
Claims (3)
1.一种用于血管介入手术机器人系统的时滞误差预测控制方法，其特征在于它包括以下步骤：
(1)以血管介入手术机器人系统的主端设备的位移量为输入信号，以从端设备的位移量为输出信号，利用Matlab的系统辨识工具包，建立血管介入手术机器人系统的传递函数模型，模型如式(1)所示：
其中，k和p为常系数，t为系统的时间滞后参数；
(2)利用Matlab中的step函数得到血管介入手术机器人系统的阶跃响应H(l)，并建立如下的血管介入手术机器人系统的卷积模型：
其中，y(k)为系统的当前时刻的输出，u(k-l)为系统上一时刻的输入；
式(2)所示的卷积模型即为预测模型；
(3)对时域控制量和时域预测量分别进行设置，其中，所述时域控制量是指输入控制量的时间长度，时域控制量指的是每个输入量输入系统的时间间隔，根据血管壁的厚度以及手术导管的安全推进速度，设置安全的控制时域值；所述时域预测量是指利用步骤(2)中得到的预测模型对系统输出量进行预测的时间段，即对从端设备的位移进行预测的时间段；
(4)将实际测得的主端设备的位移作为当前时间段的输入代入如式(2)所示的预测模型中，即可得到未来时刻的输出，达到对下一时刻输出量进行预测的目的；
(5)将步骤(4)中预测到的输出量与实际输出量进行做差，利用闭环反馈，则可得到预测输出量与实际输出量之间的误差；
(6)利用步骤(5)中得到的预测输出量与实际输出量之间的误差结果对步骤(4)中产生的预测结果进行补偿，即：将步骤(5)中计算得到的预测误差与原有的输入量进行求和，则可得到新的输入量，将新的输入量作为血管介入手术机器人系统的输入，即可实现闭环预测结果；
(7)将此时的输入量与输出量做差，即：将主端设备位移与从端设备位移求差，将这个误差作为输入量输入PID控制器，并将调整后的结果作为被控对象血管介入手术机器人系统的输入信号，最后经过PID控制器调整过后输出的结果即为经过预测反馈环以及输出反馈环的双闭环结构调整后的结果。
2.根据权利要求1所述一种用于血管介入手术机器人系统的时滞误差预测控制方法，其特征在于所述步骤(3)中的时域预测量与主端设备的采样间隔相同。
3.根据权利要求1所述一种用于血管介入手术机器人系统的时滞误差预测控制方法，其特征在于所述步骤(4)中利用预测模型得到未来时刻的输出具体是指：式(2)中，u(k-l)为系统上一时刻的输入量，即：主端设备的位移，y(k)为下一个时刻的输出量，即：从端设备的位移，将实际测得的主端设备的位移作为当前时间段的输入代入u(k-l)，即可得到未来时刻的输出y(k)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010678540.0A CN111933268B (zh) | 2020-07-15 | 2020-07-15 | 一种用于血管介入手术机器人系统的时滞误差预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010678540.0A CN111933268B (zh) | 2020-07-15 | 2020-07-15 | 一种用于血管介入手术机器人系统的时滞误差预测控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111933268A CN111933268A (zh) | 2020-11-13 |
| CN111933268B true CN111933268B (zh) | 2023-12-26 |
Family
ID=73313023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010678540.0A Active CN111933268B (zh) | 2020-07-15 | 2020-07-15 | 一种用于血管介入手术机器人系统的时滞误差预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111933268B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112545652B (zh) * | 2020-12-02 | 2022-07-19 | 哈尔滨工业大学 | 微创手术机器人柔性丝传动手术器械高精度离线控制方法 |
| CN112700877A (zh) * | 2021-01-11 | 2021-04-23 | 上海交通大学 | 一种血管介入训练安全防护方法 |
| CN113743007A (zh) * | 2021-08-30 | 2021-12-03 | 以诺康医疗科技（苏州）有限公司 | 基于智能温度感知的超声刀垫片保护方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201422A2 (en) * | 2013-06-14 | 2014-12-18 | Brain Corporation | Apparatus and methods for hierarchical robotic control and robotic training |
| KR20160013533A (ko) * | 2016-01-19 | 2016-02-04 | (주)미래컴퍼니 | 수술용 로봇의 움직임 제어/보상 방법 및 장치 |
| CN105631864A (zh) * | 2015-12-23 | 2016-06-01 | 电子科技大学 | 一种基于时空相关性的心脏表面目标点运动预测方法 |
| CN107361844A (zh) * | 2017-06-20 | 2017-11-21 | 上海交通大学 | 一种机器人辅助心血管介入手术中的安全防护方法 |
| CN110032706A (zh) * | 2019-04-17 | 2019-07-19 | 山东科技大学 | 一种低阶时滞系统的两阶段参数估计方法及系统 |
-
2020
- 2020-07-15 CN CN202010678540.0A patent/CN111933268B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201422A2 (en) * | 2013-06-14 | 2014-12-18 | Brain Corporation | Apparatus and methods for hierarchical robotic control and robotic training |
| CN105631864A (zh) * | 2015-12-23 | 2016-06-01 | 电子科技大学 | 一种基于时空相关性的心脏表面目标点运动预测方法 |
| KR20160013533A (ko) * | 2016-01-19 | 2016-02-04 | (주)미래컴퍼니 | 수술용 로봇의 움직임 제어/보상 방법 및 장치 |
| CN107361844A (zh) * | 2017-06-20 | 2017-11-21 | 上海交通大学 | 一种机器人辅助心血管介入手术中的安全防护方法 |
| CN110032706A (zh) * | 2019-04-17 | 2019-07-19 | 山东科技大学 | 一种低阶时滞系统的两阶段参数估计方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111933268A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111933268B (zh) | 一种用于血管介入手术机器人系统的时滞误差预测控制方法 | |
| CN100562823C (zh) | 一种复杂轨迹的轮廓控制方法 | |
| Lam et al. | Model predictive contouring control for biaxial systems | |
| CN111856942B (zh) | 一种远程介入手术控制系统的时滞与误差的改进方法 | |
| CN107479497A (zh) | 一种五轴加工轨迹轮廓误差双闭环补偿方法 | |
| CN104111664A (zh) | 在速度环克服电机死区提高雷达跟踪精度的方法 | |
| CN110703693B (zh) | 一种机床进给系统的迭代学习前馈控制方法及系统 | |
| CN107272409A (zh) | 一种基于迭代学习的直线伺服系统振动抑制方法 | |
| CN113625547B (zh) | 一种控制器的主阀位置控制方法 | |
| CN106094524A (zh) | 基于输入趋势补偿的快速模型预测控制方法 | |
| CN110045681B (zh) | 一种基于位置预测的数控机床位置相关型误差的外置补偿方法 | |
| CN113517832A (zh) | 一种低压伺服离散线性自抗扰控制方法 | |
| CN115167111A (zh) | 基于改进型分数阶pid的伺服电机控制方法及系统 | |
| CN115981159A (zh) | 基于模型辅助和类史密斯预估的广义改进自抗扰控制方法 | |
| CN111880483B (zh) | 一种雷达天线四电机驱动伺服系统预定性能控制方法 | |
| CN108880366B (zh) | 一种减速箱试验台转矩加载控制器的控制方法 | |
| Yong et al. | Dynamic characteristic optimization of ball screw feed drive in machine tool based on modal extraction of state space model | |
| CN115480478A (zh) | 一种基于dmc-pid的恒速变温过程控制方法 | |
| CN117718973A (zh) | 基于轴向加速度的机器人离散控制系统及方法 | |
| CN113093549B (zh) | 一种多轴数控装备的复合控制方法 | |
| CN115097724B (zh) | 一种用于机器人同步控制的交叉耦合控制方法 | |
| CN116400584B (zh) | 大载荷电液位置伺服系统快速精确控制系统应用方法 | |
| CN116447184B (zh) | 液压系统控制方法、计算机设备及机器可读存储介质 | |
| CN117879408B (zh) | 一种直线电机的自适应智能控制方法及相关设备 | |
| CN111697883B (zh) | 一种时间响应最优的直流调速数字控制系统及实现方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211231 Address after: 518112 801-806, building 12, China Hisense innovation industry city, No. 12, Ganli Sixth Road, gankeng community, Jihua street, Longgang District, Shenzhen, Guangdong Province Applicant after: Shenzhen Aibo medical robot Co.,Ltd. Address before: 300384 No. 391 Binshui West Road, Xiqing District, Tianjin Applicant before: TIANJIN University OF TECHNOLOGY |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 518112 801-806, building 12, China Hisense innovation industry city, No. 12, Ganli Sixth Road, gankeng community, Jihua street, Longgang District, Shenzhen, Guangdong Province Patentee after: Shenzhen Aibo Hechuang Medical Robot Co.,Ltd. Address before: 518112 801-806, building 12, China Hisense innovation industry city, No. 12, Ganli Sixth Road, gankeng community, Jihua street, Longgang District, Shenzhen, Guangdong Province Patentee before: Shenzhen Aibo medical robot Co.,Ltd. |