CN113448246B - 一种口腔种植机器人自进化姿态调整方法及系统 - Google Patents
一种口腔种植机器人自进化姿态调整方法及系统 Download PDFInfo
- Publication number
- CN113448246B CN113448246B CN202110573213.3A CN202110573213A CN113448246B CN 113448246 B CN113448246 B CN 113448246B CN 202110573213 A CN202110573213 A CN 202110573213A CN 113448246 B CN113448246 B CN 113448246B
- Authority
- CN
- China
- Prior art keywords
- neural network
- robot
- optimal
- joint angle
- opt
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提供了一种口腔种植机器人自进化姿态调整方法及系统,包括以下步骤:步骤S1:对病人设计的种植路径进行量化;步骤S2:求得与种植路径对应的刚度最大的最优机器人关节角度值,并形成训练集;步骤S3:建立神经网络结构学习设计种植路径和最优的机器人关节角度值之间的对应关系;步骤S4:将学习到的神经网络进行自进化。本发明根据机器人刚度来从多个符合要求的机器人姿态中快速找到最优的关节角度值,通过神经网络来对最优的关节角度值和设计种植路径矢量之间的映射关系进行学习,避免了直接通过优化类算法,保证了求得到的解的稳定性;通过不断更新神经网络结构来保证神经网络对设计种植路径矢量和最优关节角度值的映射。
Description
技术领域
本发明涉及医疗机器人技术领域,具体地,涉及一种口腔种植机器人自进化姿态调整方法及系统。
背景技术
口腔种植手术是一种解决牙齿缺失,恢复无牙患者咀嚼能力和形态美学的有效治疗方法。该手术主要操作包括:(1)根据人体牙齿生理结构,由医生设计种植路径。(2)根据设计好的种植路径,在人体的颌骨上制备窝洞。(3)在窝洞中放置种植体。
由于医生在窝洞制备的过程中,会存在人为误差,导致实际制备的窝洞和理论设计偏差较大,影响手术效果。随着机器人技术的发展,目前出现了口腔种植机器人系统来代替医生完成窝洞制备操作。机器人在窝洞制备过程中,针对同一个设计好的种植路径,存在多种机器人姿态与之对应。但是当前口腔种植机器人系统没有结合机器人自身特点考虑姿态调整,存在由于当前姿态刚度不高,导致实际种植路径和设计种植路径偏差较大的风险。为此我们提出了一种口腔种植机器人自进化姿态调整方法来解决此问题,实现在实际窝洞制备过程中,针对当前设计的种植路径,该方法可以快速准确地给出一个理想的机器人姿态。
在公开号为CN111407443A的中国发明专利申请文件中,公开了一种用于口腔种植机器人的精确定位及智能导航方法,包括以下步骤:(1)数字化种植牙方案的规划;(2)设计定位标志器的个性化固定结构;(3)设计定位标志器的标准定位支架;(4)定位标志器生成;(5)三维种植方案中的种植体位置坐标获取;(6)口腔碰撞模型的构建;(7)实际场景坐标系构建及校正;(8)机器人运动路径规划及离线编程;(9)机器人种植手术操作。本发明在术前实现三维种植方案中全局坐标系下机器人末端执行器目标位置坐标精确计算、利用机器人接触式位置反馈校正光学定位与导航系统的精度、种植操作的末端执行器碰撞模型构建以及机器人运动动态规划。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种口腔种植机器人自进化姿态调整方法及系统。
根据本发明提供的一种口腔种植机器人自进化姿态调整方法,包括以下步骤:
步骤S1:对病人设计的种植路径进行量化;
步骤S2:求得与种植路径对应的刚度最大的最优机器人关节角度值,并形成训练集;
步骤S3:建立神经网络结构学习设计种植路径和最优的机器人关节角度值之间的对应关系;
步骤S4:将学习到的神经网络进行自进化。
优选的,所述步骤S1包括以下子步骤:
步骤S1.1:收集整理已完成口腔种植患者病历,获取病人CT图像和设计的种植路径信息,确定种植路径在人体坐标系中的矢量关系应用向量表示VD=(xD,yD,zD);
优选的,所述步骤S2包括以下子步骤:
步骤S2.1:将在机器人坐标系下表示的设计种植路径向量作为机器人目标姿态,建立优化目标:
qi=argmax(λ1,…,λn)i=(1,..n)
其中qi为机器人关节变量,λi为机器人刚度矩阵特征值,n为机器人关节变量总个数;
步骤S2.2:上述优化目标的限定条件为在该关节角度调整的姿态下,钻头轴线和设计的种植路径轴线平行以及关节角度在关节角运动范围内,建立限定公式为:
qmin≤qi≤qmax
其中T(qi)为在该关节角度下机器人TCP中心坐标系相对于基座标系的旋转矩阵关系,为钻头轴线在机器人TCP中心坐标系下的矢量,qmin为机器人关节可以达到的最小角度值,qmax为机器人关节可以达到的最大角度值;
步骤S2.3:将机器人关节角度进行离散化操作,以0.01单位进行离散,根据上述建立的优化方程对该种植路径下的最优关节角度进行求解,得到qopt;针对收集到的所有种植路径矢量,分别求解对应的最优角度;根据得到的解,建立种植路径矢量和最优关节角度对应关系并建立初始数据集。
优选的,所述步骤S3包括以下子步骤:
步骤S3.1:将步骤S2.3中建立的初始数据集分为初始训练集和初始测试集,建立初始神经网络模型来对该映射关系进行学习,初始神经网络在初始训练集进行训练,通过初始测试集对初始神经网络进行测试,判断该初始神经网络是否有效;
步骤S3.2:建立神经网络搜索空间;将神经元隐藏层个数、每个隐藏层含有的神经元个数以及学习率作为构建神经网络过程中可以变化的参数;在初始神经网络的基础上,构建N个神经网络模型,分别在初始训练集中进行训练,然后在初始测试集中进行测试;根据在测试集上的表现,选出N个神经网络模型和初始神经网络架构表现最好的网络模型,应用于机器人系统中用于完成最优姿态的选取。
优选的,所述步骤S5包括以下子步骤:
步骤S5.1:将机器人系统应用于后续的窝洞制备实验和手术操作中,并且用当前最优的神经网络模型来输出最优的关节角度;
步骤S5.2:口腔种植机器人在进行窝洞制备的过程中,记录设计种植路径的目标姿态以及神经网络模型输出的关节角度值qopt;在实验或手术操作后,机器人系统通过优化方程针对记录的种植路径的目标姿态获得全局最优的关节角度值q′opt;
步骤S5.3:对比实验过程中由当前神经网络输出的qopt与通过优化方程计算得到的全局最优q′opt,如果偏差||qopt-q′opt||≥∈大于设定的阈值,则对神经网络进行重新训练;
步骤S5.4:将实验记录的种植路径矢量和通过优化方程求得的最优关节角度值q′opt作为关系对加入到已有的数据集中,并且将数据集分成扩增后训练集和扩增后测试集,在已经建立好的神经网络空间中进行搜索,构建N个神经网络模型,分别在扩增后的训练集中进行训练,然后在扩增后的测试集中进行测试,将N个神经网络模型中架构表现最好的网络模型作为当前最优的神经网络模型应用于机器人系统中,并且用于完成以后的窝洞制备实验或手术操作;
步骤S5.5:在对以后的窝洞制备实验或手术操作过程中,不断通过||qopt-q′opt||是否大于阈值来判断当前神经网络是否是最优的模型,从而对模型进行持续优化。
与现有技术相比,本发明具有如下的有益效果:
1、在窝洞制备过程中,本发明能考虑机器人自身结构特点,根据机器人刚度来从多个符合要求的机器人姿态中快速找到最优的关节角度值,避免机器人在窝洞制备过程中因为刚度不足,带来实际种植路径和设计种植路径之间的偏差。
2、本发明通过神经网络来对最优的关节角度值和设计种植路径矢量之间的映射关系进行学习,避免了直接通过优化类算法,如遗传算法等直接求解优化方程的情况,保证了求得到的解的稳定性。
3、本发明提出了一种自进化的策略,通过不断更新神经网络结构来保证神经网络对设计种植路径矢量和最优关节角度值的映射。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例一种口腔种植机器人自进化姿态调整方法的原理框图;
图2为本发明实施例中在人体坐标系下设计的种植路径示意图;
图3为本发明实施例中机器人坐标系和人体坐标系之间的转换关系示意图;
图4为本发明实施例中训练得到的初始神经网络结构图;
图5为本发明实施例中经过神经网络搜索后得到的第一代神经网络结构图;
图6为本发明实施例中经过自进化后得到的第二代神经网络结构图;
图7为本发明实施例中自进化前后输出的最优关节变量误差对比图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供一种口腔种植机器人自进化姿态调整方法,其能够结合机器人刚度特点,在机器人窝洞制备过程中快速给出最优姿态完成窝洞制备工作。并且该方法具有自进化的能力,随着手术实例的增加,给出越来越好的姿态方案。
一种口腔种植机器人自进化姿态调整方法,如图1所示,包括如下步骤:
步骤S1:对病人设计的种植路径进行量化,具体如下:
第一步:收集整理已完成口腔种植患者病历,获取病人CT图像和设计的种植路径信息,如图2所示,确定种植路径在人体坐标系中的矢量关系应用向量表示
VD=(xD,yD,zD)。
步骤S2:求得与种植路径对应的刚度最大的最优机器人关节角度值,并形成训练集,具体如下:
第一步:将在机器人坐标系下表示的设计种植路径向量作为机器人目标姿态,建立优化目标:
qi=argmax(λ1,…,λn)i=(1,..n)
其中qi为机器人关节变量,λi为机器人刚度矩阵特征值,n为机器人关节变量总个数。
第二步:上述优化目标需要满足的限定条件为在该关节角度调整的姿态下,钻头轴线和设计的种植路径轴线平行以及关节角度需要在关节角运动范围内,可以通过下面两个公式表达:
qmin≤qi≤qmax
其中T(qi)为在该关节角度下机器人TCP中心坐标系相对于基座标系的旋转矩阵关系,为钻头轴线在机器人TCP中心坐标系下的矢量,qmin为机器人关节可以达到的最小角度值,qmax为机器人关节可以达到的最大角度值。
第三步:将机器人关节角度进行离散化操作,以0.01单位进行离散,根据上述建立的优化方程对该种植路径下的最优关节角度进行求解,得到qopt。针对收集到的所有种植路径矢量,分别求解对应的最优角度。根据得到的解,建立种植路径矢量和最优关节角度对应关系并建立初始数据集。
步骤S3:建立神经网络结构学习设计种植路径和最优的机器人关节角度值之间的对应关系,具体步骤如下:
第一步:将上述建立的初始数据集分为初始训练集和初始测试集,建立初始神经网络模型来对该映射关系进行学习,其结构如图4所示。其中神经网络的输入为种植路径矢量,输出为对应的最优关节角度。初始神经网络在初始训练集进行训练,然后通过初始测试集对初始神经网络进行测试,判断该初始神经网络是否有效。
第二步:建立神经网络搜索空间。将神经元隐藏层个数、每个隐藏层含有的神经元个数以及学习率作为构建神经网络过程中可以变化的参数。选择的参数如表1所示:
表1神经网络搜索空间
第三步:在初始神经网络的基础上,构建30个神经网络模型,分别在初始训练集中进行训练,然后在初始测试集中进行测试。根据在测试集上的表现,选出30个神经网络模型和初始神经网络架构中表现最好的网络模型,选出的神经网络模型结构如图5所示,应用于机器人系统中用于完成最优姿态的选取。
步骤S4:将学习到的神经网络进行自进化,具体步骤如下:
第一步:将机器人系统应用于后续的窝洞制备实验和手术操作中,并且用当前最优的神经网络模型来输出最优的关节角度。
第二步:口腔种植机器人在进行窝洞制备的过程中,会记录设计种植路径的目标姿态以及神经网络模型输出的关节角度值qopt。在实验或手术操作后,机器人系统会再次通过优化方程针对记录的种植路径的目标姿态获得全局最优的关节角度值q′opt。
第三步:对比实验过程中由当前神经网络输出的qopt与通过优化方程计算得到的全局最优q′opt,如果偏差||qopt-q′opt||≥∈大于设定的阈值,表明随着实验次数的增加,当前的神经网络已不能再对设计的种植路径矢量和最优的关节角度进行很好的表达,需要对神经网络进行重新训练。
第四步:将实验记录的种植路径矢量和通过优化方程求得的最优关节角度值q′opt作为关系对加入到已有的数据集中,并且将数据集分成扩增后训练集和扩增后测试集,在已经建立好的神经网络空间中进行搜索。构建30个神经网络模型,分别在扩增后的训练集中进行训练,然后在扩增后的测试集中进行测试。根据在扩增后的测试集上的表现,选出30个神经网络模型架构表现最好的网络模型,如图6所示,作为当前最优的神经网络模型应用于机器人系统中,并且用于完成以后的实验或手术操作。图7所示为在对25次窝洞制备过程中自进化前后,神经网络输出最优关节角度和通过优化方程输出的最优关节角度之间的误差图,结果表明经过了自进化后的神经网络模型输出的最优关节角度和通过优化方程输出的最优关节角度之间相差较小,表明了自进化效果的有效性。
第五步:在对以后的窝洞制备实验或手术操作过程中,不断通过||qopt-q′opt||是否大于阈值来判断,当前神经网络是否是最优的模型。如果小于阈值则表明当前神经网络模型可以很好表达设计的种植路径矢量和最优关节角度之间的关系。如果大于阈值则表明当前神经网络模型不能很好表达设计的种植路径矢量和最优关节角度之间的关系,需要将新的实验或手术数据添加到数据集中,在构建的神经网络空间中继续寻找最优的神经网络模型。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.一种口腔种植机器人自进化姿态调整方法,其特征在于,包括以下步骤:
步骤S1:对病人设计的种植路径进行量化;
步骤S2:求得与种植路径对应的刚度最大的最优机器人关节角度值,并形成训练集;
步骤S3:建立神经网络结构学习设计种植路径和最优的机器人关节角度值之间的对应关系;
步骤S4:将学习到的神经网络进行自进化;
所述步骤S4包括以下子步骤:
步骤S4.1:将机器人系统应用于后续的窝洞制备实验和手术操作中,并且用当前最优的神经网络模型来输出最优的关节角度;
步骤S4.2:口腔种植机器人在进行窝洞制备的过程中,记录设计种植路径的目标姿态以及神经网络模型输出的关节角度值qopt;在实验或手术操作后,机器人系统通过优化方程针对记录的种植路径的目标姿态获得全局最优的关节角度值q′opt;
步骤S4.3:对比实验过程中由当前神经网络输出的qopt与通过优化方程计算得到的全局最优q′opt,如果偏差||qopt-q′opt||≥∈大于设定的阈值,则对神经网络进行重新训练;
步骤S4.4:将实验记录的种植路径矢量和通过优化方程求得的最优关节角度值q′opt作为关系对加入到已有的数据集中,并且将数据集分成扩增后训练集和扩增后测试集,在已经建立好的神经网络空间中进行搜索,构建N个神经网络模型,分别在扩增后的训练集中进行训练,然后在扩增后的测试集中进行测试,将N个神经网络模型中架构表现最好的网络模型作为当前最优的神经网络模型应用于机器人系统中,并且用于完成以后的窝洞制备实验或手术操作;
步骤S4.5:在对以后的窝洞制备实验或手术操作过程中,不断通过||qopt-q′opt||是否大于阈值来判断当前神经网络是否是最优的模型,从而对模型进行持续优化。
3.根据权利要求1所述的一种口腔种植机器人自进化姿态调整方法,其特征在于:所述步骤S2包括以下子步骤:
步骤S2.1:将在机器人坐标系下表示的设计种植路径向量作为机器人目标姿态,建立优化目标:
qi=argmax(λ1,...,λn)i=(1,..n)
其中qi为机器人关节变量,λi为机器人刚度矩阵特征值,n为机器人关节变量总个数;
步骤S2.2:上述优化目标的限定条件为在该关节角度调整的姿态下,钻头轴线和设计的种植路径轴线平行以及关节角度在关节角运动范围内,建立限定公式为:
qmin≤qi≤qmax
其中T(qi)为在该关节角度下机器人TCP中心坐标系相对于基座标系的旋转矩阵关系,为钻头轴线在机器人TCP中心坐标系下的矢量,qmin为机器人关节可以达到的最小角度值,qmax为机器人关节可以达到的最大角度值;
4.根据权利要求3所述的一种口腔种植机器人自进化姿态调整方法,其特征在于:所述步骤S3包括以下子步骤:
步骤S3.1:将步骤S2.3中建立的初始数据集分为初始训练集和初始测试集,建立初始神经网络模型来对映射关系进行学习,初始神经网络在初始训练集进行训练,通过初始测试集对初始神经网络进行测试,判断该初始神经网络是否有效;
步骤S3.2:建立神经网络搜索空间;将神经元隐藏层个数、每个隐藏层含有的神经元个数以及学习率作为构建神经网络过程中可以变化的参数;在初始神经网络的基础上,构建N个神经网络模型,分别在初始训练集中进行训练,然后在初始测试集中进行测试;根据在测试集上的表现,选出N个神经网络模型和初始神经网络架构表现最好的网络模型,应用于机器人系统中用于完成最优姿态的选取。
5.一种口腔种植机器人自进化姿态调整系统,其特征在于,包括以下模块:
模块M1:对病人设计的种植路径进行量化;
模块M2:求得与种植路径对应的刚度最大的最优机器人关节角度值,并形成训练集;
模块M3:建立神经网络结构学习设计种植路径和最优的机器人关节角度值之间的对应关系;
模块M4:将学习到的神经网络进行自进化;
所述模块M4包括以下子模块:
模块M4.1:将机器人系统应用于后续的窝洞制备实验和手术操作中,并且用当前最优的神经网络模型来输出最优的关节角度;
模块M4.2:口腔种植机器人在进行窝洞制备的过程中,记录设计种植路径的目标姿态以及神经网络模型输出的关节角度值qopt;在实验或手术操作后,机器人系统通过优化方程针对记录的种植路径的目标姿态获得全局最优的关节角度值q′opt;
模块M4.3:对比实验过程中由当前神经网络输出的qopt与通过优化方程计算得到的全局最优q′opt,如果偏差||qopt-q′opt||≥∈大于设定的阈值,则对神经网络进行重新训练;
模块M4.4:将实验记录的种植路径矢量和通过优化方程求得的最优关节角度值q′opt作为关系对加入到已有的数据集中,并且将数据集分成扩增后训练集和扩增后测试集,在已经建立好的神经网络空间中进行搜索,构建N个神经网络模型,分别在扩增后的训练集中进行训练,然后在扩增后的测试集中进行测试,将N个神经网络模型中架构表现最好的网络模型作为当前最优的神经网络模型应用于机器人系统中,并且用于完成以后的窝洞制备实验或手术操作;
模块M4.5:在对以后的窝洞制备实验或手术操作过程中,不断通过||qopt-q′opt||是否大于阈值来判断当前神经网络是否是最优的模型,从而对模型进行持续优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110573213.3A CN113448246B (zh) | 2021-05-25 | 2021-05-25 | 一种口腔种植机器人自进化姿态调整方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110573213.3A CN113448246B (zh) | 2021-05-25 | 2021-05-25 | 一种口腔种植机器人自进化姿态调整方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113448246A CN113448246A (zh) | 2021-09-28 |
CN113448246B true CN113448246B (zh) | 2022-10-14 |
Family
ID=77810199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110573213.3A Active CN113448246B (zh) | 2021-05-25 | 2021-05-25 | 一种口腔种植机器人自进化姿态调整方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113448246B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114505859B (zh) * | 2022-02-23 | 2023-12-01 | 四川锋准机器人科技有限公司 | 一种种植牙手术机器人末端柔顺控制方法 |
CN115424701B (zh) * | 2022-11-07 | 2023-07-21 | 杭州柳叶刀机器人有限公司 | 一种关于最优路径规划的骨表面随动技术 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784639A (zh) * | 2020-06-05 | 2020-10-16 | 浙江大学 | 基于深度学习的口腔全景片龋齿深度识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105877846B (zh) * | 2016-03-30 | 2018-05-08 | 佳木斯大学 | 口腔诊疗机器人系统及其控制方法 |
EP3566673A1 (fr) * | 2018-05-09 | 2019-11-13 | Dental Monitoring | Procede d'evaluation d'une situation dentaire |
CN111487864B (zh) * | 2020-05-14 | 2023-04-18 | 山东师范大学 | 一种基于深度强化学习的机器人路径导航方法及系统 |
CN112762934B (zh) * | 2020-12-14 | 2023-12-22 | 浙江理工大学 | 下肢运动方向预测装置和方法 |
-
2021
- 2021-05-25 CN CN202110573213.3A patent/CN113448246B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784639A (zh) * | 2020-06-05 | 2020-10-16 | 浙江大学 | 基于深度学习的口腔全景片龋齿深度识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113448246A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113448246B (zh) | 一种口腔种植机器人自进化姿态调整方法及系统 | |
CN104936556B (zh) | 用于导航和控制植入体定位装置的系统和方法 | |
CN114886567B (zh) | 一种面向具有远心不动点约束的手术机器人手眼标定方法 | |
CN116277035B (zh) | 机器人的控制方法、装置、处理器及电子设备 | |
CN108066008A (zh) | 辅助手术的医疗仪器控制方法及系统 | |
CN114521962A (zh) | 手术机器人轨迹跟踪方法、装置、机器人及存储介质 | |
Iyengar et al. | Deep reinforcement learning for concentric tube robot control with a goal-based curriculum | |
CN117323004B (zh) | 一种脊柱手术机器人导航定位系统 | |
Saini et al. | Intelligent control of a master-slave based robotic surgical system | |
CN112859868A (zh) | 基于kmp的下肢外骨骼康复机器人及运动轨迹规划算法 | |
CN115422838A (zh) | 手术机器人的自主学习方法、装置、设备和介质 | |
CN115424701A (zh) | 一种关于最优路径规划的骨表面随动技术 | |
CN113781495B (zh) | 面向并联骨折手术机器人的复位轨迹自动式规划方法 | |
WO2022141268A1 (zh) | 一种仿人机器人控制方法、计算机设备及存储介质 | |
CN114559432A (zh) | 手术机械臂自动定位寻路方法、装置、机器人及存储介质 | |
CN114224488A (zh) | 基于状态捕捉的口腔种植机器人控制系统及其操作方法 | |
Li et al. | GMM-based Heuristic Decision Framework for Safe Automated Laparoscope Control | |
Wang et al. | Cerebellum-inspired model-free tracking control and visual servoing of a rigid-flexible hybrid robotic endoscope with RCM constraints | |
Azimian et al. | Preoperative planning of robotics-assisted minimally invasive coronary artery bypass grafting | |
Perrusi et al. | Learning robotic needle steering from inverse finite element simulations | |
Muñoz et al. | Adaptive cartesian motion control approach for a surgical robotic cameraman | |
Lopes et al. | Inter-center cross-validation and finetuning without patient data sharing for predicting transcatheter aortic valve implantation outcome | |
Omisore et al. | Kinematics Constraint Modeling for Flexible Robots based on Deep Learning | |
Feng et al. | A Self-evolution Hybrid Robot for Dental Implant Surgery | |
Sobinov | Description of motor control using inverse models |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |