CN115935553A - 一种线性柔性体形变状态分析方法及相关装置 - Google Patents
一种线性柔性体形变状态分析方法及相关装置 Download PDFInfo
- Publication number
- CN115935553A CN115935553A CN202211712189.8A CN202211712189A CN115935553A CN 115935553 A CN115935553 A CN 115935553A CN 202211712189 A CN202211712189 A CN 202211712189A CN 115935553 A CN115935553 A CN 115935553A
- Authority
- CN
- China
- Prior art keywords
- flexible body
- deformation
- model
- linear flexible
- sample
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000013016 damping Methods 0.000 description 6
- 239000012636 effector Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 210000001072 colon Anatomy 0.000 description 2
- 238000002052 colonoscopy Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000005483 Hooke's law Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及柔性体形态技术领域,具体是涉及一种线性柔性体形变状态分析方法及相关装置。首先计算形变模型所涉及的模型参数值,得到参数值已知的形变模型;然后将作用于线性柔性体上的力作为形变模型的输入,即可输出得到线性柔性体的形变状态数据。本发明研究线性柔性体的建模和力控问题,将施加在线性柔性体上的力与物体的形变联系在一起。通过不断探索线性参数化的特征去更新未知的模型参数。然后,利用已经训练好的模型对线性柔性体进行主动形状控制。由于本发明利用到了物理先验知识和较低的计算复杂度,因此在数据处理效率上有着优势。
Description
技术领域
本发明涉及柔性体形态技术领域,具体是涉及一种线性柔性体形变状态分析方法及相关装置。
背景技术
线性柔性体指有着无限自由度的线性物体如绳子、金属丝和电缆等。如今在很多工业和医疗应用上都有对可变形物体的操作工作。比如,在外科手术后用手术缝合线缝合皮肤组织。在结肠镜检查中,要求沿着结肠曲线控制柔性内窥镜的形状。在3C制造中,需要将不同颜色的USB线根据期望的颜色色码进行分类。
许多国内的工业应用都涉及到了对柔性体的控制,比如金属丝,软组织,食品材料等。相对于控制刚性物体而言,这种对柔性体的控制难度更高,而其中一个原因就是很难去获得可以将柔性体所受外力和物体的状态联系起来的精准的形变模型(形变模型用于根据柔性物体的受力确定其上各个点的位置)。目前主要采用数据驱动建立形变模型,数据驱动的方法是用数值表示的方式去训练和估计模型,没有考虑模型的物理本质,在数据驱动型方法的框架下,通过收集和处理大量的训练数据去获得形变模型,将针对柔性体的控制量(比如机器人末端执行器的速率)作为形变模型的输入、将线性柔性体针对该控制量产生的形变作为模型的输出。
基于数据驱动建立形变模型的具体方法有深度神经网络法和最小二乘估计法,上述基于数据驱动建立的形变模型需要大量的训练数据去训练形变模型,从而增大了分析线性柔性体形变状态的所需要的时间。
综上所述,现有技术增大了分析线性柔性体形变状态所需要的时间。
因此,现有技术还有待改进和提高。
发明内容
为解决上述技术问题,本发明提供了一种线性柔性体形变状态分析方法及相关装置,解决了现有技术计算线性柔性体形变状态的计算速度较慢以及误差较大的问题。
为实现上述目的,本发明采用了以下技术方案:
第一方面,本发明提供一种线性柔性体形变状态分析方法,其中,包括:
确定形变模型所涉及的模型参数值,得到参数值已知的所述形变模型,所述形变模型用于分析线性柔性体的各点受力之后所呈现出的形状;
将施加在线性柔性体上的力作为参数值已知的所述形变模型的输入,得到所述形变模型输出的线性柔性体上各特征点的形变状态。
在一种实现方式中,所述确定形变模型所涉及的模型参数值,得到参数值已知的所述形变模型,所述形变模型用于分析线性柔性体的各点受力之后所呈现出的形状,包括:
设置所述模型参数的估算值;
依据样本线性柔性体的样本形变状态数据和样本受力、所述模型参数的估算值,得到预测误差,所述样本受力用于表征所述样本线性柔性体上的各点受力数据,所述样本形变状态数据用于表征所述样本线性柔性体上的各点受力之后呈现的形状;
确定所述模型参数的导数;
依据所述预测误差、所述模型参数的导数、所述样本形变状态数据,计算所述模型参数值。
在一种实现方式中,所述依据样本线性柔性体的样本形变状态数据和样本受力、所述模型参数的估算值,得到预测误差,所述样本受力用于表征所述样本线性柔性体上的各点受力数据,所述样本形变状态数据用于表征所述样本线性柔性体上的各点受力之后呈现的形状,包括:
采用所述样本形变状态数据构建回归矩阵;
根据所述回归矩阵与所述模型参数的估算值,得到所述样本线性柔性体所受到的预测力;
依据所述样本受力与所述预测力之差,得到预测误差。
在一种实现方式中,所述依据所述预测误差、所述模型参数的导数、所述样本形变状态数据,确定所述模型参数值,包括:
采用所述样本形变状态数据构建回归矩阵,所述回归矩阵内的各个元素用于表征所述样本线性柔性体上的各点的形状;
确定所述回归矩阵的广义逆矩阵;
设置与所述模型参数更新频率所对应的正定矩阵;
依据所述正定矩阵、所述广义逆矩阵、所述预测误差、所述模型参数的导数构建等式;
迭代更新所述模型参数的估算值,直至采用所述等式和迭代更新之后的所述估算值确定的所述预测误差小于设定阈值,停止迭代;
将停止迭代时的所述估算值作为模型参数值。
在一种实现方式中,所述将施加在线性柔性体上的力作为参数值已知的所述形变模型的输入,得到所述形变模型输出的线性柔性体上各特征点的形变状态,包括:
将所述线性柔性体所受到的力代入到参数值已知的所述形变模型,确定所述被测线性柔性体在各个设定维度的形变状态中的实际形变状态数据。
在一种实现方式中,还包括:
根据所述形变模型,确定特征点预测位置;
根据视觉传感器,确定特征点实际位置;
确定所述特征点预测位置与所述特征点实际位置之差的二范数,记为第一二范数;
确定节点的位移矢量的二范数,记为第二二范数;
依据所述第一二范数和所述第二二范数之比,得到所述线性柔性体上节点位移矢量的误差值,所述误差值用于表征所述参数值已知的所述形变模型分析所述被测线性柔性体的形变数据的准确程度。
第二方面,本发明实施例还提供一种线性柔性体形变状态分析装置,其中,所述装置包括如下组成部分:
参数值计算模块,用于确定形变模型所涉及的模型参数值,得到参数值已知的所述形变模型,所述形变模型用于分析线性柔性体的各点受力之后所呈现出的形状;
状态分析模块,用于将施加在线性柔性体上的力作为参数值已知的所述形变模型的输入,得到所述形变模型输出的线性柔性体上各特征点的形变状态。
第三方面,本发明实施例还提供一种终端设备,其中,所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的线性柔性体形变状态分析程序,所述处理器执行所述线性柔性体形变状态分析程序时,实现上述所述的线性柔性体形变状态分析方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有线性柔性体形变状态分析程序,所述线性柔性体形变状态分析程序被处理器执行时,实现上述所述的线性柔性体形变状态分析方法的步骤。
有益效果:本发明首先针对各种形变模型确定模型所涉及到的各种参数值,将被测线性柔性体的受力数据代入到确定参数值的形变模型,通过计算形变模型构成的数学公式所涵盖的形变参数的值,以确定被测线性柔性体针对受力数据的实际形变状态。本发明在计算形变模型的各种参数值时不需要采用大量的训练数据,而是仅通过对形变模型作为一个数字公式进行迭代运算以确定形变模型准确的模型参数,从而节省了使用形变模型计算被测线性柔性体在受力情况下产生的形变数据所需的时间。
附图说明
图1为本发明的整体流程图;
图2为本发明实施例中的线性柔性体矢量力示意图;
图3为本发明实施例中的收敛速度仿真图;
图4为本发明实施例中的模型参数的二范数收敛性对比示意图;
图5为本发明实施例提供的终端设备的内部结构原理框图。
具体实施方式
以下结合实施例和说明书附图,对本发明中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
经研究发现,线性柔性体指有着无限自由度的线性物体如绳子、金属丝和电缆等。如今在很多工业和医疗应用上都有对可变形物体的操作工作。比如,在外科手术后用手术缝合线缝合皮肤组织。在结肠镜检查中,要求沿着结肠曲线控制柔性内窥镜的形状。在3C制造中,需要将不同颜色的USB线根据期望的颜色色码进行分类。
许多国内的工业应用都涉及到了对柔性体的控制,比如金属丝,软组织,食品材料等。相对于控制刚性物体而言,这种对柔性体的控制难度更高,而其中一个原因就是很难去获得可以将柔性体所受外力和物体的状态联系起来的精准的形变模型(形变模型用于根据柔性物体的受力确定其上各个点的位置)。目前主要采用数据驱动建立形变模型,数据驱动的方法是用数值表示的方式去训练和估计模型,没有考虑模型的物理本质,在数据驱动型方法的框架下,通过收集和处理大量的训练数据去获得形变模型,将针对柔性体的控制量(比如机器人末端执行器的速率)作为形变模型的输入、将线性柔性体针对该控制量产生的形变作为模型的输出。基于数据驱动建立形变模型的具体方法有深度神经网络法、最小二乘估计法。上述基于数据驱动建立的形变模型需要大量的训练数据去训练形变模型,从而降低了计算线性柔性体形变状态的计算速度。
为解决上述技术问题,本发明提供了一种线性柔性体形变状态在线分析方法及相关装置,解决了现有技术降低了计算线性柔性体形变状态的计算速度问题。具体实施时,首先计算形变模型所涉及的模型参数值,得到参数值已知的形变模型;然后将作用在线性柔性体上的力作为模型的输入,则可以得到线性柔性体的形变状态数据。
在一种应用场景中,当需要分析一根绳子受力之后会呈现出什么状态时,首先针对上述问题设计一个形变模型用于分析该绳子受力之后所产生的形变,而任何模型在使用之前其参数都是未知的,因此需要使用已知的样本数据(作为样本的绳子受到的外力和在外力作用下该样本绳子呈现出的形状)确定模型的参数值。当模型的参数值确定之后只要把绳子受到的外力输出到形变模型中,形变模型就会输出绳子的形状。
举例说明,两个形变模型A和B。形变模型A:h(x,θ)=fe,,形变模型B:h′(x,θ′)=fe′。其中x=[(x(1))T,(x(2))T,…,(x(m))T]T是节点(比如绳子是一个线性柔性体,绳子上的各个点就是节点)的位置向量,m是节点的数量。是节点i在k维空间中的位置向量,h(·)表示一系列用来描述线性柔性体力学响应的非线性函数,是施加在第i个节点的力向量。是形变模型A的模型参数向量,n表示模型参数向量的维度。对于形变模型A而言确定其所涵盖的θ值之后,当已知一个线性柔性体甲的受力数据fe(向量形式)时,将甲的fe代入到形变模型A:h(x,θ)=fe,就可以确定甲的各个节点位置(实际形变状态数据)。如果使用形变模型B计算甲各个节点受力之后的位置,只要将上述的h(x,θ)替换为h′(x,θ′),确定形变模型B所涵盖的模型参数θ′的值即可。
示例性方法
本实施例的线性柔性体形变状态分析方法可应用于终端设备中,所述终端设备可为具有计算功能的终端产品,比如电脑等。在本实施例中,如图1中所示,所述线性柔性体形变状态分析方法具体包括如下步骤:
S100,确定形变模型所涉及的模型参数值,得到参数值已知的所述形变模型,所述形变模型用于分析线性柔性体的各点受力之后所呈现出的形状。
本实施例中的形变模型是一个含有未知参数的形变模型,需要确定该未知参数的值,确定未知参数的值之后便可以使用该形变模型计算线性柔性体受力之后产生的形变状态数据了。
在一个实施例中,步骤S100包括如下的步骤S101至S1010:
S102,采用所述样本形变状态数据构建回归矩阵Y′(x)。
假如将绳子作为一个样本线性柔性体,那么绳子的回归矩阵Y′(x)内的各个元素就是用于记录绳子上的各个节点位置(样本形变状态数据),绳子作为样本时Y′(x)是已知的。
样本受力fe是已知的,是真实施加给样本线性柔性体的力。
S106,计算所述回归矩阵的广义逆矩阵Y+(x)。
广义逆矩阵即Moore-Penrose inverse矩阵。
正定矩阵L是认为设置一个内部元素为常数的矩阵。
S109,迭代更新所述模型参数的估算值,直至采用所述等式和迭代更新之后的所述估算值确定的所述预测误差小于设定阈值,停止迭代。
S1010,将停止迭代时的所述估算值作为模型参数值。
即参数的更新是通过预测误差Δh来驱动的。即参数的更新会一直进行,一直到预测误差下降为0。
在一个实施例中,使用Lyapunov-like candidate的方法来验证公式(1)的收敛性:
将匹配定律(1)代入到(4)中,可以得到
其中
将(6)代入到(5)里面,可以得到
使用奇异值分解的方法,可以重新将矩阵Y(x)写成
将(8)和(9)代入到(7)中,可以进一步获得
式中UTU=I中的I是单位矩阵,所以简化为
如果施加的外力满足PE(persistent excitation)条件,那么矩阵就是正定矩阵,因此当V>0时,随着t→∞.,V→0,所以当Δθ→0时,即,估计参数的收敛性最终会趋近于实际值。Δθ→0表明了仿真线性柔性体的运动与实际线性柔性体的运动是同步的,即验证了本实施例中公式(1)确定来的会稳定于一个常数。
在一个实施例中,形变模型为mass-spring模型,当mass-spring模型用于求如图2所示的线性柔性体的形变状态数据时,采用公式(1)确定的模型参数θ值如下:
θ=[k1 -k1l1 k2 -k2l2]T,
式中,k1、k2分别为图2中的线性柔性体各段的刚度,l1、l2分别为线性柔性体各段长度。
S200,将施加在线性柔性体上的力作为参数值已知的所述形变模型的输入,得到所述形变模型输出的线性柔性体上各特征点的形变状态(实际形变数据)。
h(x,θ)=fe, (12)
在一个实施例中,步骤S200具体过程如下:将所述线性柔性体所受到的力代入到参数值已知的所述形变模型,确定所述被测线性柔性体在各个设定维度的形变状态中的实际形变状态数据。
举例说明,以图2为例,采用公式(12)确定的矩阵形式的Y(x)如下:
在一个实施例中,在一定的假设和简化下,通过解力学方程的方法来建立形变模型。其中,弹簧模型可以将柔性物体简化为一组通过阻尼弹簧连接的质点。通过解质点组的动力学函数,就可以预测柔性线性体的状态。在控制过程中应用最小能量原理可以进行形状预测,在这个控制过程中,线性柔性体的每一部分都满足最小能量曲线的形状。运用了有限元方法,并且把线性柔性体认作是大量杆单元的组成,以预测线性柔性体的形变状态。
下面通过计算评价指标和实验的方式比较本发明提出的形变计算方法相对现有技术的优势,其中评价指标包括:相对模型误差Er和相对力误差Ef。
相对力误差Ef用于评估所训练的模型的泛化性,在这个模型中,仿真的线性柔性体被外力操控到任意形状(即将外力设置为输入)。并且,将数字孪生模型的线性柔性体与真实的线性柔性体操控到相同形状,记录与比较训练模型估计出来的力与真实线性柔性体的力的大小。
当采用评价指标时,基于机器人控制系统,使用机器手臂给绳子(线性柔性体)施加力,将绳子的实际形变与根据公式(12)计算的形变进行比较,以判断本发明计算形变方法的有效性,具体如下:
实验人员首先在仿真环境中验证本论文提出的匹配定律(1)。在仿真环境中,模型准确的参数是已知的,并把它认为是真值(groundtruth)。因此可以将采用公式(5)更新后的参数与groundtruth进行对比。
节点j给节点i的内力是遵循胡克定律的弹力
其中kd是阻尼系数,引入阻尼力可以降低由驱动力的突变引起的线性柔性体的震动,从而找到平衡点。注意,在准静态场景中,阻尼力可忽略不计。
这样的一个仿真线性柔性体可以动态地对输入的力作出反应,并最终达到平衡点。由于h(x,θ)=fe,式考虑的是静态或者准静态的场景,因此让的稳态解可以认为是被施加了外力的节点的平衡点。在仿真中,将线性柔性体的初始估计值设置为远离groundtruth,以此表明它的实际值是未知的。
建立上述仿真环境之后,将本发明的方法与现有技术中的最小二乘估计(LSE)以及神经网络法(NN)进行比较。为了进行上述比较,首先对最小二乘估计(LSE)以及神经网络法(NN)进行说明:
最小二乘估计(LSE)寻找可以使总误差E最小化的向量θ:
其中N是收集到的数据的数量。在最小二乘估计法中,估计参数用公式(17):
将公式(17)进行如下的变形:
神经网络法(NN)为了估计模型参数,神经网络法构建了一个具有一层隐藏层的全连接神经网络。神经网络可以把线性柔性体的节点坐标作为输入,并通过公式h(x,θ)=fe,输出预测力,在这个神经网络模型中,将径向基函数(RBF)作为隐藏层的神经元,该模型的权重通过梯度下降法进行训练得出。
将绳体上的首尾两个节点固定,把绳体上由各个节点划分出的线段的刚度ki和原始长度li设置为具有随机偏移量的常量,以模拟线性柔性体不同线段之间的微小差异。然后随机50个力施加在在可自由移动的节点上,并记录下特征节点的运动以更新模型参数。
参数匹配要重复10次,得到的相对模型误差Er和相对力误差Ef如表1所示:
表1
对比结果如表1所示,从表1可以看出本发明提出的方法的Er和Ef的误差最小,证明了本发明提出的方法具有更好的泛化性以及更高的准确度。因为神经网络法没有考虑模型参数θ,所以Er并不适用于神经网络法的评估。
另外,将本发明的收敛速度与现有技术收敛速度进行比较,得到图3所示的比较结果,从图3可知,本发明的收敛速度优于现有技术中的收敛速度。
实验的方式
本发明提出的建模方法是在基于视觉的机器人操作系统上完成的,其中用机器人末端执行器抓取线性柔性体。整个系统由一根UR3e机械臂,一套二指平行夹爪(Robotiq),一套力/力矩传感器(300-S,Robotiq),一个3D相机(Mech-Eye LOG M Industrial),和一台Ubuntu 20.04LTS系统的电脑(CPU:Intel Core i9-11900K,Memory:32GB)组成。机械臂末端执行器抓取所需的力是用力传感器进行测量,而线性柔性体的整体形状则由线性柔性体上的一系列标记物表示。在模型学习阶段,机器人根据公式(1)中的更新定律,使用视觉和力反馈来更新线性柔性体的模型参数。然后机器人根据所估计的模型,在仅用力反馈的情况下对线性柔性体进行形状控制。
基于机器手,将本发明的模型学习收敛速度和对线性柔性体形状的控制精度分别与现有技术进行比较:
模型学习:将本发明的用于模型学习的匹配方法在五种线性柔性体上做测试,在模型学习的处理过程中,目标线性柔性体的两端都被固定住,然后机器人末端夹爪抓取特征节点,并以一段PE轨迹(比如正弦曲线)去移动这些特征节点。整个模型学习的过程都是在一个无摩擦力的2D水平面下进行。
实验过程首先是参考公式Y(x)建立回归矩阵:
并用机械手成功抓取线性柔性体的三个节点进行移动,然后记录下500组力和特征点的坐标以进行模型学习。实验结果如图4所示,五种线性柔性体的所有估计参数都在不到800次迭代中迅速收敛为常数,在稳态下此常数矢量可视为线性柔性体的实际参数。实验结果证明了本发明提出的方法在处理数据时的高效性。
形状控制:
所训练的模型通过两种形状控制任务来验证,在这两个任务中,外力fe设置为控制输入,并引入一个新的矩阵Ed如公式(19)所示:
其中t是控制的节点的数量,Δx(t)是节点t的位移矢量。因为模型参数的真实数据在这个实验中没有使用,并且视觉传感器的数据也仅用于验证,所以采用Ed来评估控制工作的准确性(而不能用Er或Ef)。这个控制任务中groundtruth可以间接表示为x(节点的位置信息),该数据通过视觉传感器进行测量。
第一个任务是将一种开环的控制方案应用在线性柔性体上。此过程是通过已知的力输入训练模型h(x,θ)=fe,,进行特征节点位置的预测。然后记录预测的位置与groundtruth(直接用视觉传感器测得)并进行比较。比较结果如表2所示,表2中的1、2、3、4、5表示五个不同的操作任务,每个任务控制的特征节点以及给定的力是不同的,,五个任务对应的最终平均Ed分别是3.56%、2.10%、4.84%、4.67%、4.57%。
表2
节点 | 1 | 2 | 3 | 4 | 5 |
任务一 | 3.56% | 2.10% | 4.84% | 4.67% | 4.57% |
任务二 | 3.68% | 4.10% | 4.00% | 3.36% | 4.41% |
第二个任务应用的是一种闭环的控制方案,目的是让目标节点移动到期望位置。在任务二中,实验人员将一个重物挂在线性柔性体上,以此来测试所学模型在外部干扰下的效果。为了实现这一任务,首先在基于所学模型上计算机器人末端执行器所需的期望力(与期望位置相对应),然后运用PID控制器去驱动夹取力使其接近期望力,在这个任务中,夹取力最终收敛于期望力,保证了目标特征节点可以移动到期望位置。表2展示了五个不同任务下的最终平均Ed。
综上,本发明首先针对各种形变模型确定模型所涉及到的各种参数值,将被测线性柔性体的受力数据代入到确定参数值的形变模型,通过计算形变模型构成的数学公式所涵盖的形变参数的值,以确定被测线性柔性体针对受力数据的实际形变状态。本发明在计算形变模型的各种参数值时不需要采用大量的训练数据,而是仅通过对形变模型作为一个数字公式进行迭代运算以确定各个模型参数,从而节省了使用形变模型计算被测线性柔性体在受力情况下产生的形变数据所需的时间。
另外,本发明提出的方法能通过接收操作过程中的反馈信息并且将该信息直接用于公式(1),从而可以实现模型参数的在线更新。因此,相较于现有技术,本发明提出的方法不需要离线训练(离线训练是指在正式控制工作开始之前,收集批量用于训练的数据样本)。
本发明可以很好的利用模型的结构信息去实现一种高效且在线的模型学习。所学模型可在仅用力控的情况下,用于改变线性柔性体的形状。本发明还用Lyapunov方法严谨证明了估计参数值是收敛于实际值的这一结论,并将其有效应用于仿真学习中。实验结果也说明了所学模型可以保证仅用力控的形状控制工作的高准确性。除此之外,本发明提出的力控方案可应用于视觉信息不可用的场景。
示例性装置
本实施例还提供一种线性柔性体形变状态分析装置,所述装置包括如下组成部分:
参数值计算模块,用于确定形变模型所涉及的模型参数值,得到参数值已知的所述形变模型,所述形变模型用于分析线性柔性体的各点受力之后所呈现出的形状;
状态分析模块,用于将施加在线性柔性体上的力作为参数值已知的所述形变模型的输入,得到所述形变模型输出的线性柔性体上各特征点的形变状态。
基于上述实施例,本发明还提供了一种终端设备,其原理框图可以如图5所示。该终端设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中,该终端设备的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种线性柔性体形变状态分析方法。该终端设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该终端设备的温度传感器是预先在终端设备内部设置,用于检测内部设备的运行温度。
本领域技术人员可以理解,图5中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端设备的限定,具体的终端设备以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种终端设备,终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的线性柔性体形变状态分析程序,处理器执行线性柔性体形变状态分析程序时,实现如下操作指令:
确定形变模型所涉及的模型参数值,得到参数值已知的所述形变模型,所述形变模型用于分析线性柔性体的各点受力之后所呈现出的形状;
将施加在线性柔性体上的力作为参数值已知的所述形变模型的输入,得到所述形变模型输出的线性柔性体上各特征点的形变状态。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种线性柔性体形变状态分析方法,其特征在于,包括:
确定形变模型所涉及的模型参数值,得到参数值已知的所述形变模型,所述形变模型用于分析线性柔性体的各点受力之后所呈现出的形状;
将施加在线性柔性体上的力作为参数值已知的所述形变模型的输入,得到所述形变模型输出的线性柔性体上各特征点的形变状态。
2.如权利要求1所述的线性柔性体形变状态分析方法,其特征在于,所述确定形变模型所涉及的模型参数值,得到参数值已知的所述形变模型,所述形变模型用于分析线性柔性体的各点受力之后所呈现出的形状,包括:
设置所述模型参数的估算值;
依据样本线性柔性体的样本形变状态数据和样本受力、所述模型参数的估算值,得到预测误差,所述样本受力用于表征所述样本线性柔性体上的各点受力数据,所述样本形变状态数据用于表征所述样本线性柔性体上的各点受力之后呈现的形状;
确定所述模型参数的导数;
依据所述预测误差、所述模型参数的导数、所述样本形变状态数据,确定所述模型参数值。
3.如权利要求2所述的线性柔性体形变状态分析方法,其特征在于,所述依据样本线性柔性体的样本形变状态数据和样本受力、所述模型参数的估算值,得到预测误差,所述样本受力用于表征所述样本线性柔性体上的各点受力数据,所述样本形变状态数据用于表征所述样本线性柔性体上的各点受力之后呈现的形状,包括:
采用所述样本形变状态数据构建回归矩阵;
根据所述回归矩阵与所述模型参数的估算值,得到所述样本线性柔性体所受到的预测力;
依据所述样本受力与所述预测力之差,得到预测误差。
4.如权利要求2所述的线性柔性体形变状态分析方法,其特征在于,所述依据所述预测误差、所述模型参数的导数、所述样本形变状态数据,确定所述模型参数值,包括:
采用所述样本形变状态数据构建回归矩阵,所述回归矩阵内的各个元素用于表征所述样本线性柔性体上的各点的形状;
确定所述回归矩阵的广义逆矩阵;
设置与所述模型参数更新频率所对应的正定矩阵;
依据所述正定矩阵、所述广义逆矩阵、所述预测误差、所述模型参数的导数构建等式;
迭代更新所述模型参数的估算值,直至采用所述等式和迭代更新之后的所述估算值确定的所述预测误差小于设定阈值,停止迭代;
将停止迭代时的所述估算值作为模型参数值。
5.如权利要求1所述的线性柔性体形变状态分析方法,其特征在于,所述将施加在线性柔性体上的力作为参数值已知的所述形变模型的输入,得到所述形变模型输出的线性柔性体上各特征点的形变状态,包括:
将所述线性柔性体所受到的力代入到参数值已知的所述形变模型,确定所述被测线性柔性体在各个设定维度的形变状态中的实际形变状态数据。
6.如权利要求1所述的线性柔性体形变状态分析方法,其特征在于,还包括:
根据所述形变模型,确定特征点预测位置;
根据视觉传感器,确定特征点实际位置;
确定所述特征点预测位置与所述特征点实际位置之差的二范数,记为第一二范数;
确定节点的位移矢量的二范数,记为第二二范数;
依据所述第一二范数和所述第二二范数之比,得到所述线性柔性体上节点位移矢量的误差值,所述误差值用于表征所述参数值已知的所述形变模型分析所述被测线性柔性体的形变数据的准确程度。
7.一种线性柔性体形变状态分析装置,其特征在于,所述装置包括如下组成部分:
参数值计算模块,用于确定形变模型所涉及的模型参数值,得到参数值已知的所述形变模型,所述形变模型用于分析线性柔性体的各点受力之后所呈现出的形状;
状态分析模块,用于将施加在线性柔性体上的力作为参数值已知的所述形变模型的输入,得到所述形变模型输出的线性柔性体上各特征点的形变状态。
8.一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的线性柔性体形变状态分析程序,所述处理器执行所述线性柔性体形变状态分析程序时,实现如权利要求1-6任一项所述的线性柔性体形变状态分析方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有线性柔性体形变状态分析程序,所述线性柔性体形变状态分析程序被处理器执行时,实现如权利要求1-6任一项所述的线性柔性体形变状态分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211712189.8A CN115935553B (zh) | 2022-12-29 | 2022-12-29 | 一种线性柔性体形变状态分析方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211712189.8A CN115935553B (zh) | 2022-12-29 | 2022-12-29 | 一种线性柔性体形变状态分析方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935553A true CN115935553A (zh) | 2023-04-07 |
CN115935553B CN115935553B (zh) | 2024-02-09 |
Family
ID=86552261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211712189.8A Active CN115935553B (zh) | 2022-12-29 | 2022-12-29 | 一种线性柔性体形变状态分析方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935553B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639948A (zh) * | 2009-08-20 | 2010-02-03 | 浙江工业大学 | 基于插值算法的柔性体点分布模型的特征值和特征向量计算方法 |
CN109344500A (zh) * | 2018-09-29 | 2019-02-15 | 南京信息工程大学 | 一种非弹性质量弹簧模型及改进欧拉算法的软组织变形模拟方法 |
DE102018114088A1 (de) * | 2018-06-13 | 2019-12-19 | Werner Langner | Verfahren zur Rekonstruktion von Bewegungen und Verformungen |
CN110705094A (zh) * | 2019-09-29 | 2020-01-17 | 深圳市商汤科技有限公司 | 柔性体仿真方法和装置、电子设备、计算机可读存储介质 |
CN111783250A (zh) * | 2020-07-03 | 2020-10-16 | 上海航天控制技术研究所 | 柔性机器人末端抵达控制方法、电子设备和存储介质 |
CN114077794A (zh) * | 2021-11-23 | 2022-02-22 | 北京邮电大学 | 一种虚拟现实中柔性体反馈力及形变计算方法 |
-
2022
- 2022-12-29 CN CN202211712189.8A patent/CN115935553B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639948A (zh) * | 2009-08-20 | 2010-02-03 | 浙江工业大学 | 基于插值算法的柔性体点分布模型的特征值和特征向量计算方法 |
DE102018114088A1 (de) * | 2018-06-13 | 2019-12-19 | Werner Langner | Verfahren zur Rekonstruktion von Bewegungen und Verformungen |
CN109344500A (zh) * | 2018-09-29 | 2019-02-15 | 南京信息工程大学 | 一种非弹性质量弹簧模型及改进欧拉算法的软组织变形模拟方法 |
CN110705094A (zh) * | 2019-09-29 | 2020-01-17 | 深圳市商汤科技有限公司 | 柔性体仿真方法和装置、电子设备、计算机可读存储介质 |
CN111783250A (zh) * | 2020-07-03 | 2020-10-16 | 上海航天控制技术研究所 | 柔性机器人末端抵达控制方法、电子设备和存储介质 |
CN114077794A (zh) * | 2021-11-23 | 2022-02-22 | 北京邮电大学 | 一种虚拟现实中柔性体反馈力及形变计算方法 |
Non-Patent Citations (2)
Title |
---|
JIAHAO WU等: "Robot-enabled Uterus Manipulator for Laparoscopic Hysterectomy With Soft RCM Constraints:Design, Control, and Evaluation", 《IEEE TRANSACTIONS ON MEDICAL ROBOTICS AND BIONICS》 * |
陆熊等: "柔软物体力触觉形变模型验证系统", 《国防科技大学学报》, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN115935553B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Satheeshbabu et al. | Open loop position control of soft continuum arm using deep reinforcement learning | |
Li et al. | Model-free control for continuum robots based on an adaptive Kalman filter | |
Renda et al. | Dynamic model of a multibending soft robot arm driven by cables | |
Fang et al. | Kinematics of soft robots by geometric computing | |
Chang et al. | Sim2real2sim: Bridging the gap between simulation and real-world in flexible object manipulation | |
Loo et al. | H-infinity based extended kalman filter for state estimation in highly non-linear soft robotic system | |
Bartholdt et al. | A parameter identification method for static cosserat rod models: Application to soft material actuators with exteroceptive sensors | |
Fathi et al. | Identification of a dynamic model for shape memory alloy actuator using Hammerstein-Wiener gray box and mutable smart bee algorithm | |
Akhmetzyanov et al. | Deep Learning with Transfer Learning Method for Error Compensation of Cable-driven Robot. | |
Centurelli et al. | Open-loop model-free dynamic control of a soft manipulator for tracking tasks | |
Wang et al. | A data-efficient model-based learning framework for the closed-loop control of continuum robots | |
Pei et al. | A machine learning empowered shape memory alloy gripper with displacement-force-stiffness self-sensing | |
CN115935553B (zh) | 一种线性柔性体形变状态分析方法及相关装置 | |
Pacheco Garcia et al. | A comparison of mechanics simplifications in pose estimation for thermally-actuated soft robot limbs | |
Yu et al. | Adaptive control for robotic manipulation of deformable linear objects with offline and online learning of unknown models | |
Yi et al. | Simultaneous Position-and-Stiffness Control of Underactuated Antagonistic Tendon-Driven Continuum Robots | |
WO2024139626A1 (zh) | 一种线性柔性体形变状态分析方法及相关装置 | |
Gurung et al. | Self-sensing SMA actuator using extended Kalman filter and artificial neural network | |
CN113858204B (zh) | 一种冗余机械臂的追踪控制方法、装置及介质 | |
CN114080304B (zh) | 控制装置、控制方法及控制程序 | |
Mochiyama | The elastic rod approach toward system theory for soft robotics | |
Hu et al. | Model-based contact detection and accommodation for soft bending actuators: An integrated direct/indirect adaptive robust approach | |
Sharifi et al. | Adaptive estimation of robot environmental force interacting with soft tissues | |
Sulaiman et al. | Disturbance rejection using Model Predictive control for pneumatic actuator system | |
Li et al. | Sparse bayesian learning-based adaptive impedance control in physical human-robot interaction |
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 |