CN116313036A - 基于运动测量和机器学习的手部动作预测算法 - Google Patents

基于运动测量和机器学习的手部动作预测算法 Download PDF

Info

Publication number
CN116313036A
CN116313036A CN202310170101.2A CN202310170101A CN116313036A CN 116313036 A CN116313036 A CN 116313036A CN 202310170101 A CN202310170101 A CN 202310170101A CN 116313036 A CN116313036 A CN 116313036A
Authority
CN
China
Prior art keywords
virtual force
data
sequence
machine learning
motion
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
Application number
CN202310170101.2A
Other languages
English (en)
Inventor
李汉忠
朱文瀚
陈鹏
马博文
于泳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Kepeng Medical Equipment Co ltd
Original Assignee
Beijing Kepeng Medical Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Kepeng Medical Equipment Co ltd filed Critical Beijing Kepeng Medical Equipment Co ltd
Priority to CN202310170101.2A priority Critical patent/CN116313036A/zh
Publication of CN116313036A publication Critical patent/CN116313036A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B34/37—Master-slave robots
    • 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
    • A61B34/70—Manipulators specially adapted for use in surgery
    • A61B34/74—Manipulators with manual electric input means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • G16H40/67—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 for remote operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Robotics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Urology & Nephrology (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)

Abstract

一种基于运动测量和机器学习的手部动作预测算法包括：1)输入一段典型的主从手术操作控制数据；2)由位置/姿态数据差分得到速度、加速度数据；3)确定虚拟力；4)对虚拟力做去野值处理；5)建立虚拟力预测模型；6)采用梯度下降法进行机器学习；7)通过运动位置/姿态测量数据以及虚拟力预测模型预测操作者手部未来动作。本发明的方法能根据操作者的手部动作历史数据，预测出短时间之后的未来控制动作，在操作者尚未做出动作之前就提前发送相应的控制指令，能够有效地减小控制回路时延，提升操作者的操作体验。

Description

基于运动测量和机器学习的手部动作预测算法
技术领域
本发明属于自动控制领域。具体涉及一种基于运动测量和机器学习的手部动作预测算法。
背景技术
在5G远程经自然通道手术机器人的主从操控过程中，操作者通过手部运动带动主控制器，主控制器产生7自由度的位姿指令(3个位置、3个姿态和1个工具伸缩)，经过主从运动映射后控制机械臂的手术操作。主控制器相当于一个对于手部动作的运动测量装置。
对于5G远程手术，控制回路时延是最为关键的可操作性指标。正常控制过程是由主控制器采集好手部控制动作之后再发送出去。如果能根据操作者的手部动作历史数据，预测出短时间之后的未来控制动作，在操作者尚未做出动作之前就提前发送相应的控制指令，就可以有效地减小控制回路时延，提升操作者的操作体验。
发明内容
本发明正是为了解决上述技术问题，提出一种基于运动测量和机器学习的手部动作预测算法。所述基于运动测量和机器学习的手部动作预测算法包括：
1.输入一段典型的主从手术操作控制数据
在主从手术操作历史数据中截取典型的主从手术操作控制数据，上述主从手术操作控制数据是连续的，并且包含所有的典型操作动作。由于各自由度相互独立，所以在输入典型手术操控数据后，后续预测算法对于每一个自由度的手部动作都是相同的。
2.由位置/姿态数据差分得到速度、加速度数据
位置/姿态数据记为：x＝data(1:N)，总共取N个数据，其中，x表示位置/姿态数据序列，data表示主控制器获取的原始数据，data(1:N)表示从中选取N个连续数据。
则速度序列为：
Figure BDA0004101111130000021
加速度序列为：
Figure BDA0004101111130000022
3.确定虚拟力
虚拟力：
Figure BDA0004101111130000023
其中B为阻尼系数，K为刚度系数，x0为平衡位置。
主控制器的自由度分为两种形式：能够在任意位置悬停的阻尼式、有固定平衡位置的刚度式。对于刚度式，B＞0，K＞0；对于阻尼式，B＞0，K＝0，即此时虚拟力变为
Figure BDA0004101111130000024
的形式。对于特定的主控制器的自由度，应该按照上述规则判断其是阻尼式还是刚度式，并采用相应的虚拟力形式。
考虑系数B和K的取值上限：
对虚拟力进行离散化，并在第i个离散点附近局部只考虑阻尼的影响，可以得到：
F＝x(i+1)+x(i-1)-2x(i)+B(x(i+1)-x(i-1))/2
在自由运动时，F＝0，上式转化为如下形式：
Figure BDA0004101111130000025
上式表示的是在自由运动时阻尼对位姿增量的影响，阻尼力的特性是减小位姿增量，但不能使位姿增量反向(无源性)，所以得到：B≤2；
对虚拟力在局部区域只考虑刚度的影响，并考虑自由运动的情况(F＝0)：
Figure BDA0004101111130000026
这时位置/姿态将做简谐振动，得到
Figure BDA0004101111130000031
代入上式并离散化得到：
Figure BDA0004101111130000032
所以K＝2-2cos(ω)≤4
选取系数B和K的取值：
对于B和K的每一组取值，都对应一个虚拟力F的序列，B和K的取值目标是使虚拟力F的增量绝对值序列|dF|的最大值最小化。为此在0≤B≤2、0≤K≤4的范围内，以一定的精度进行搜寻，阻尼式自由度只对B进行一维搜寻，刚度式自由度对B和K进行二维搜寻，最终确定系数B和K的取值；例如，在0≤B≤2范围内，以0.1的精度搜寻，就是对B＝0、0.1、0.2、……、2分别进行试验，取值目标是使虚拟力F的增量绝对值序列|dF|的最大值最小化，对于每一组系数的取值，先求出虚拟力序列F，再求得虚拟力的增量绝对值序列|dF|，然后求出|dF|序列的最大值；在所有求出的最大值中的最小值对应的系数，就是系数的最优取值。
4.对虚拟力做去野值处理
虚拟力序列中通常存在不合理的尖峰值，即野值。野值对于后续的机器学习过程有很大影响，甚至可以导致学习失败，所以要设法将野值剔除。
采用滑动窗口和识别宽度的方法剔除野值。对虚拟力序列设置一个特定长度的滑动窗口，对滑动窗口内的虚拟力值进行最小二乘直线拟合，然后将拟合出的直线上下分别平移一个识别宽度，上下两条直线之间的区域为合理值区，两条直线之外的区域为野值区。将滑动窗口从虚拟力序列的起始处滑动至末尾处，找到所有的野值，并用与野值距离最近的前、后合理值在野值对应的采样点处做插值，用插值结果替代野值，完成虚拟力的去野值处理。所述特定长度的滑动窗口的长度例如可以为5-20个数据点。
5.建立虚拟力预测模型
用n个周期的虚拟力历史值，预测未来m个周期的虚拟力值。记当前周期的序号为c，则所有历史值的序号为c-n+1,…,c，需要预测的未来值的序号为c+1,…,c+m。根据泰勒展开公式，建立预测模型如下：
Fp,c,i＝Fc+dFc·i+ddFc·i2/2，其中：
i＝1,…,m，表示预测长度；
Figure BDA0004101111130000041
Figure BDA0004101111130000042
w1,j、w2,k为机器学习中需要确定的权值参数。
6.采用梯度下降法进行机器学习
采用梯度下降法，对去野值之后的虚拟力序列进行机器学习。学习目标是虚拟力预测模型预测的结果，与真实的虚拟力值之间的误差最小化。误差定义如下：
Figure BDA0004101111130000043
其中：
Fj表示去野值之后的虚拟力序列的第j个采样点；
Fp,j-i,i表示由预测模型计算出的虚拟力预测值，计算过程中当前周期的序号为j-i，预测长度为i；
e是权值参数w1,j、w2,k的函数，即e＝e(w1,1,…,w1,n-1,w2,1,…,w2,n-2)，定义误差e的梯度向量
Figure BDA0004101111130000044
其中：
Figure BDA0004101111130000045
表示权向量；
则
Figure BDA0004101111130000046
Figure BDA0004101111130000047
其中：
Figure BDA0004101111130000051
k1＝1,…,n-1；
Figure BDA0004101111130000052
其中：
Figure BDA0004101111130000053
k2＝1,…,n-2。
对于当前的权值向量w，通过以上公式计算得到对应的
Figure BDA0004101111130000054
采用/>
Figure BDA0004101111130000055
的方式对w进行优化，得到下一周期的权值向量，δ为步长，δ＞0。对权值向量w进行循环迭代优化，直至误差e变得足够小。将最终优化获得的w应用于虚拟力预测模型中。
7.通过运动位置/姿态测量数据以及虚拟力预测模型预测操作者手部未来动作
用n个周期的历史数据，预测未来m个周期之后的位置/姿态指令，记当前周期的序号为c。历史数据需要位置/姿态、速度、加速度以及虚拟力，即x、
Figure BDA0004101111130000056
F。主控制器直接采集的数据只有位置/姿态，速度、加速度由位置/姿态差分得到，然后根据定义计算出虚拟力。预测操作者手部未来动作的方法如下：
初始化：
xHis＝xc
Figure BDA0004101111130000057
Figure BDA0004101111130000058
Figure BDA0004101111130000059
Figure BDA00041011111300000510
循环预测：
for i＝1,…,m
Figure BDA0004101111130000061
Figure BDA0004101111130000069
Fp,c,i＝Fc+dFc·i+ddFc·i2/2
Figure BDA0004101111130000062
Figure BDA0004101111130000063
Figure BDA0004101111130000064
Figure BDA0004101111130000065
xHis＝xp
Figure BDA0004101111130000066
Figure BDA00041011111300000610
Figure BDA0004101111130000067
Figure BDA0004101111130000068
end loop
最终循环预测过程结束后，得到的xp值就是位置/姿态指令的预测结果。
随着时间向前推移，当前周期序号c以及相关的历史数据都会不停地向前刷新。在每一周期的相应历史数据基础上，都调用一次预测操作者手部未来动作的方法，就能够得到连贯的位置/姿态指令预测值，并将其用于经自然通道手术机器人的主从操控。
附图说明
图1是本发明实施例中手腕自转姿态典型历史数据图。
图2是本发明实施例中手腕自转姿态的差分速度图。
图3是本发明实施例中手腕自转姿态的差分加速度图。
图4是本发明实施例中|dF|序列的最大值随B的变化图。
图5是本发明实施例中虚拟力数据图。
图6是本发明实施例中去野值操作后得到的虚拟力数据与原始虚拟力数据的对比图。
图7是本发明实施例中去野值之后的虚拟力数据与原始虚拟力数据的差异图。
图8是本发明实施例中手腕自转姿态预测值序列与手腕自转姿态实测值序列之间的对比图。
图9是本发明实施例中手腕自转姿态的预测误差图。
具体实施方式
应用本方法对手腕的自转动作进行预测。从历史操作数据中选取一段典型数据，一共选取了2002个数据点，即数据周期数Cnt取值从0到2001。Cnt从1到2000为手腕自转的弧度数据，即N＝2000，Cnt＝0和Cnt＝2001的数据为后续计算所需要。选取的数据如附图1所示。
将N＝2000代入
Figure BDA0004101111130000071
中，得到速度序列；将N＝2000代入/>
Figure BDA0004101111130000072
中，得到加速度序列。
在附图1中，纵坐标是rad(弧度)，由主控制器输出；横坐标Cnt表示周期数，全称为Count，简写为Cnt。
差分得到速度、加速度数据分别如图2、图3所示。
该自由度为阻尼式，采用
Figure BDA0004101111130000073
的虚拟力形式。在0≤B≤2范围内，以0.01的分辨率对B进行搜寻，|dF|序列的最大值随B的变化曲线如图4所示。从图4中可以确定B的取值为0.17。
将速度序列、加速度序列以及B＝0.17代入
Figure BDA0004101111130000074
得到虚拟力序列。最终得到虚拟力数据如图5所示。
对虚拟力数据进行去野值操作，滑动窗口长度和识别宽度需要反复尝试，最终选择滑动窗口长度为10Cnt，识别宽度为0.008。进行去野值操作后，得到的虚拟力数据与原始虚拟力数据的对比如图6所示。其中F表示原始虚拟力，Fk表示去野值之后的虚拟力。图7所示为去野值之后的虚拟力数据与原始虚拟力数据的差异，从图7中可以明显地看到被剔除的野值(被圈出的位置)。
用10个周期的虚拟力历史值，预测未来4个周期的虚拟力值，即n＝10，m＝4。利用梯度下降法进行机器学习，最终训练出的权值参数如下：
w1＝[26.245110.3227-3.6229-2.7226-5.5429-9.450223.2248-29.222761.7984]T
w2＝[0.26670.49180.33680.22150.1955-0.07100.62380.4921]T
w＝[w1 T w2 T]T
通过手腕自转姿态10个周期的历史测量数据，以及机器学习得到的虚拟力预测模型，预测未来4个周期之后的手腕自转姿态。如图8所示为手腕自转姿态预测值序列与手腕自转姿态实测值序列之间的对比。其中a表示实测值序列，ap表示预测值序列，从对比图中看不出差别。图9所示为手腕自转姿态的预测误差，采用与图8相同的纵坐标分度，可以很直观地看出预测误差非常小。以很小的预测误差为代价，得到的结果是在操作者实际做出动作之前4个周期(经典控制周期为20ms，相当于提前80ms)就提前获得并发出运动指令，这在对于时延非常敏感的5G远程手术操控中是非常有意义的。
以上，对本发明的实施方式进行了详细说明。但是，本发明不限定于上述实施方式。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于运动测量和机器学习的手部动作预测算法，其特征在于，所述基于运动测量和机器学习的手部动作预测算法包括：
1)输入一段典型的主从手术操作控制数据；
2)由位置/姿态数据差分得到速度、加速度数据；
3)确定虚拟力；
4)对虚拟力做去野值处理；
5)建立虚拟力预测模型；
6)采用梯度下降法进行机器学习；
7)通过运动位置/姿态测量数据以及虚拟力预测模型预测操作者手部未来动作。
2.根据权利要求1所述的基于运动测量和机器学习的手部动作预测算法，其特征在于，所述1)输入一段典型的主从手术操作控制数据包括：
在主从手术操作历史数据中截取典型的主从手术操作控制数据，上述主从手术操作控制数据是连续的，并且包含所有的典型操作动作；由于各自由度相互独立，所以在输入典型手术操控数据后，后续预测算法对于每一个自由度的手部动作都是相同的。
3.根据权利要求1所述的基于运动测量和机器学习的手部动作预测算法，其特征在于，所述2)由位置/姿态数据差分得到速度、加速度数据包括：
位置/姿态数据记为：x＝data(1:N)，总共取N个数据，其中，x表示位置/姿态数据序列，data表示主控制器获取的原始数据，data(1:N)表示从中选取N个连续数据；
则速度序列为：
Figure FDA0004101111100000011
加速度序列为：
Figure FDA0004101111100000021
4.根据权利要求1所述的基于运动测量和机器学习的手部动作预测算法，其特征在于，所述3)确定虚拟力包括：
虚拟力：
Figure FDA0004101111100000022
其中B为阻尼系数，K为刚度系数，x0为平衡位置；
主控制器的自由度分为两种形式：能够在任意位置悬停的阻尼式、有固定平衡位置的刚度式；对于刚度式，B＞0，K＞0；对于阻尼式，B＞0，K＝0，即此时虚拟力变为
Figure FDA0004101111100000027
的形式；对于特定的主控制器的自由度，应该按照上述规则判断其是阻尼式还是刚度式，并采用相应的虚拟力形式；
考虑系数B和K的取值上限：
对虚拟力进行离散化，并在第i个离散点附近局部只考虑阻尼的影响，可以得到：
F＝x(i+1)+x(i-1)-2x(i)+B(x(i+1)-x(i-1))/2
在自由运动时，F＝0，上式转化为如下形式：
Figure FDA0004101111100000023
上式表示的是在自由运动时阻尼对位姿增量的影响，阻尼力的特性是减小位姿增量，但不能使位姿增量反向(无源性)，所以得到：B≤2；
对虚拟力在局部区域只考虑刚度的影响，并考虑自由运动的情况(F＝0)：
Figure FDA0004101111100000024
这时位置/姿态将做简谐振动，得到
Figure FDA0004101111100000025
代入上式并离散化得到：
Figure FDA0004101111100000026
所以K＝2-2cos(ω)≤4
选取系数B和K的取值：
对于B和K的每一组取值，都对应一个虚拟力F的序列，B和K的取值目标是使虚拟力F的增量绝对值序列|dF|的最大值最小化；为此在0≤B≤2、0≤K≤4的范围内，以一定的精度进行搜寻，阻尼式自由度只对B进行一维搜寻，刚度式自由度对B和K进行二维搜寻，最终确定系数B和K的取值；例如，在0≤B≤2范围内，以0.1的精度搜寻，就是对B＝0、0.1、0.2、……、2分别进行试验，取值目标是使虚拟力F的增量绝对值序列|dF|的最大值最小化，对于每一组系数的取值，先求出虚拟力序列F，再求得虚拟力的增量绝对值序列|dF|，然后求出|dF|序列的最大值；在所有求出的最大值中的最小值对应的系数，就是系数的最优取值。
5.根据权利要求1所述的基于运动测量和机器学习的手部动作预测算法，其特征在于，所述4)对虚拟力做去野值处理包括：
虚拟力序列中通常存在不合理的尖峰值，即野值；野值对于后续的机器学习过程有很大影响，甚至可以导致学习失败，所以要设法将野值剔除；
采用滑动窗口和识别宽度的方法剔除野值；对虚拟力序列设置一个特定长度的滑动窗口，对滑动窗口内的虚拟力值进行最小二乘直线拟合，然后将拟合出的直线上下分别平移一个识别宽度，上下两条直线之间的区域为合理值区，两条直线之外的区域为野值区；将滑动窗口从虚拟力序列的起始处滑动至末尾处，找到所有的野值，并用与野值距离最近的前、后合理值在野值对应的采样点处做插值，用插值结果替代野值，完成虚拟力的去野值处理。
6.根据权利要求5所述的基于运动测量和机器学习的手部动作预测算法，其特征在于，所述特定长度的滑动窗口的长度例如可以为5-20个数据点。
7.根据权利要求1所述的基于运动测量和机器学习的手部动作预测算法，其特征在于，所述5)建立虚拟力预测模型包括：
用n个周期的虚拟力历史值，预测未来m个周期的虚拟力值；记当前周期的序号为c，则所有历史值的序号为c-n+1,…,c，需要预测的未来值的序号为c+1,…,c+m；根据泰勒展开公式，建立预测模型如下：
Fp,c,i＝Fc+dFc·i+ddFc·i2/2，其中：
i＝1,…,m，表示预测长度；
Figure FDA0004101111100000041
Figure FDA0004101111100000042
w1,j、w2,k为机器学习中需要确定的权值参数。
8.根据权利要求1所述的基于运动测量和机器学习的手部动作预测算法，其特征在于，所述6)采用梯度下降法进行机器学习包括：
采用梯度下降法，对去野值之后的虚拟力序列进行机器学习；学习目标是虚拟力预测模型预测的结果，与真实的虚拟力值之间的误差最小化；误差定义如下：
Figure FDA0004101111100000043
其中：
Fj表示去野值之后的虚拟力序列的第j个采样点；
Fp,j-i,i表示由预测模型计算出的虚拟力预测值，计算过程中当前周期的序号为j-i，预测长度为i；
e是权值参数w1,j、w2,k的函数，即e＝e(w1,1,…,w1,n-1,w2,1,…,w2,n-2)，定义误差e的梯度向量
Figure FDA0004101111100000044
其中：
w＝[w1,1 … w1,n-1 w2,1 … w2,n-2]T，表示权值向量；
则
Figure FDA0004101111100000045
Figure FDA0004101111100000051
其中：
Figure FDA0004101111100000052
Figure FDA0004101111100000053
其中：
Figure FDA0004101111100000054
对于当前的权值向量w，通过以上公式计算得到对应的
Figure FDA0004101111100000055
采用/>
Figure FDA0004101111100000056
的方式对w进行优化，得到下一周期的权值向量，δ为步长，δ＞0；对权值向量w进行循环迭代优化，直至误差e变得足够小；将最终优化获得的w应用于虚拟力预测模型中。
9.根据权利要求1所述的基于运动测量和机器学习的手部动作预测算法，其特征在于，所述7)通过运动位置/姿态测量数据以及虚拟力预测模型预测操作者手部未来动作包括：
用n个周期的历史数据，预测未来m个周期之后的位置/姿态指令，记当前周期的序号为c；历史数据需要位置/姿态、速度、加速度以及虚拟力，即x、
Figure FDA0004101111100000059
F；主控制器直接采集的数据只有位置/姿态，速度、加速度由位置/姿态差分得到，然后根据定义计算出虚拟力；预测操作者手部未来动作的方法如下：
初始化：
xHis＝xc
Figure FDA0004101111100000057
Figure FDA0004101111100000058
Figure FDA0004101111100000061
Figure FDA0004101111100000062
循环预测：
for i＝1,…,m
Figure FDA0004101111100000063
Figure FDA0004101111100000064
Fp,c,i＝Fc+dFc·i+ddFc·i2/2
Figure FDA0004101111100000065
Figure FDA0004101111100000066
Figure FDA0004101111100000067
Figure FDA0004101111100000068
xHis＝xp
Figure FDA0004101111100000069
Figure FDA00041011111000000610
Figure FDA00041011111000000611
Figure FDA00041011111000000612
end loop
最终循环预测过程结束后，得到的xp值就是位置/姿态指令的预测结果；
随着时间向前推移，当前周期序号c以及相关的历史数据都会不停地向前刷新；在每一周期的相应历史数据基础上，都调用一次预测操作者手部未来动作的方法，就能够得到连贯的位置/姿态指令预测值，并将其用于经自然通道手术机器人的主从操控。
CN202310170101.2A 2023-02-16 2023-02-16 基于运动测量和机器学习的手部动作预测算法 Pending CN116313036A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310170101.2A CN116313036A (zh) 2023-02-16 2023-02-16 基于运动测量和机器学习的手部动作预测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310170101.2A CN116313036A (zh) 2023-02-16 2023-02-16 基于运动测量和机器学习的手部动作预测算法

Publications (1)

Publication Number Publication Date
CN116313036A true CN116313036A (zh) 2023-06-23

Family

ID=86784513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310170101.2A Pending CN116313036A (zh) 2023-02-16 2023-02-16 基于运动测量和机器学习的手部动作预测算法

Country Status (1)

Country Link
CN (1) CN116313036A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523664A (zh) * 2023-11-13 2024-02-06 书行科技(北京)有限公司 人体动作预测模型的训练方法、相关方法及相关产品

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523664A (zh) * 2023-11-13 2024-02-06 书行科技(北京)有限公司 人体动作预测模型的训练方法、相关方法及相关产品

Similar Documents

Publication Publication Date Title
CN112859739B (zh) 一种数字孪生驱动的多轴数控机床轮廓误差抑制方法
CN110832422B (zh) 机器学习装置、校正参数调整装置及机器学习方法
US20190291271A1 (en) Controller and machine learning device
JP4735795B2 (ja) 冗長マニピュレータの制御方法
JP6469065B2 (ja) 機械学習装置及び加工時間予測装置
CN114761966A (zh) 用于以轨迹为中心的基于模型的强化学习的稳健优化的系统及方法
CN114450131A (zh) 机器人系统的无导数模型学习系统及设计
JP7118249B2 (ja) モータ制御装置
CN112417755A (zh) 一种主从式手术机器人轨迹预测控制方法
CN110941183B (zh) 一种基于神经网络的工业机器人动力学辨识方法
CN116313036A (zh) 基于运动测量和机器学习的手部动作预测算法
Schnelle et al. Adaptive nonlinear model predictive control design of a flexible-link manipulator with uncertain parameters
CN113340324B (zh) 一种基于深度确定性策略梯度的视觉惯性自校准方法
Zhang et al. Time delay compensation of a robotic arm based on multiple sensors for indirect teaching
KR100267362B1 (ko) 예견제어장치
WO2022162740A1 (ja) 数値制御装置
Lee et al. Adaptive perturbation control with feedforward compensation for robot manipulators
CN110788859B (zh) 一种控制器参数全域自适应调节系统
CN110515299B (zh) 一种星-臂耦合系统的主星姿态解耦预报方法及系统
CN114111772A (zh) 一种基于数据手套的水下机器人软体作业手位置跟踪方法
JP2022090463A (ja) モータ制御装置
Da Silva et al. Joint dynamics modeling and parameter identification for space robot applications
CN118238156B (zh) 五轴加工机器人的刀具运动控制方法及相关装置
EP4382764A1 (en) Motion system with a configurable feedforward control
JP2023051040A (ja) モータ制御装置及びモータ制御方法

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