1.一种柔索驱动微创手术器械末端执行器的运动估计模型训练方法,其特征在于,所述方法包括:首先建立柔索驱动末端执行器运动数据集,在单个电机状态特征序列下,划分训练集和测试集,使用电机位置、电机速度和系统输入的周期正弦信号的时间序列构成电机状态特征序列即样本特征,电机状态特征序列训练集样本和电机状态特征序列测试样本均包括电机位置、电机速度和系统输入信号;标签序列为末端执行器关节的实际角度;使用电机状态特征序列,前后样本间交叠49个时间点,构建T=50个连续时间点0.5s长度的训练样本和测试样本,每个样本标签为该样本对应最后一个时间点的末端执行器关节的实际角度即末端关节的实际位置信息。
2.根据权利要求1所述的一种柔索驱动微创手术器械末端执行器的运动估计模型训练方法,其特征在于,所述方法具体包括以下步骤:步骤一、训练集中的所有训练样本的样本特征可以表示为
训练集中所有训练样本的样本标签表示为 其中N代表训练集样
本个数;然后对样本特征使用最大最小值归一化进行处理;
步骤二、对步骤一中N个训练样本的每一个样本特征序列重塑为 即每d个时间点对应的特征序列作为一个时间点对应的3d维特征,其中整数d≥1表示重塑尺度;得到输入网络的训练集步骤三、构建基于注意力机制的双向门控循环神经网络结构,作为用于末端关节位置估计的深度神经网络模型;使用步骤二中经过形状重塑后的训练集 并且利用其对应的样本标签γ,训练深度神经网络f(·),得到末端关节位置估计器
3.根据权利要求2所述的一种柔索驱动微创手术器械末端执行器的运动估计模型训练方法,其特征在于,步骤三中深度神经网络为带有自注意力机制的双向门控循环神经网络,其网络结构为:第一层为输入层,输入经过特征序列重塑为 的样本,其中样本的时间步数为每个时间步对应的该时间点特征维数为3d;第二层为自注意力层,使用缩放点积注意力机制,其映射维度设为m;第三至第五层均为双向门控循环层,每层双向门控单元结点数分别为 第六层为全连接输出层,输出结点个数为1;网络采用最小均方误差MSE损失函数,以及自适应矩估计Adam优化器。
4.根据权利要求2所述的一种柔索驱动微创手术器械末端执行器的运动估计模型训练方法,其特征在于,步骤三中构建的深度神经网络f(·)中,第二层自注意力层的缩放点积自注意力机制实现过程为:(0)
设经过最大最小值归一化和特征序列重塑处理的一批共N 个样本,将其中第i个样本输入到自注意力层中,最终得到的该样本对应的自注意力层输出为:(Q) (K) (V)
其中,softmax(·)表示Softmax运算; 经过映射矩阵W 、W 、W ,得到Query、Key和Value分别为:其中可学习映射矩阵 m为该自注意力层的映射维数。
5.根据权利要求2所述的一种柔索驱动微创手术器械末端执行器的运动估计方法,其特征在于,步骤三中构建的深度神经网络f(·)中,第三至第五层双向门控循环层的实现过程为:设网络第二层在t时间对应的输出为
则网络第五层在t时间对应的输出为
其中 分别表示网络第三至第五层映射,其双向门控单
(1) (2) (3)
元输出维数分别为n 、n 、n ;设第三至第五层对应的三个双向门控循环层分别对应编号k=1,2,3,则第k个双向门控循环层 对应时间t的输出可表示为其中 和 分别表示双向门控循环层的后向和前向隐输出。
6.根据权利要求2所述的一种柔索驱动微创手术器械末端执行器的运动估计模型训练方法,其特征在于,对于步骤三中深度神经网络f(·)中的第三至第五层双向门控循环层,其中后向和前向隐输出实现过程为:设后向和前向隐输出 和 中的任何一个输出可表示为Ht,则:其中t+1、t‑1分别对应后向和前向隐输出,后向和前向隐输出分别单独计算,⊙表示矩阵按位相乘运算, 表示全1矩阵;式中的候选隐状态 为:(0)
其中网络线性权重 (k=1时n =m)、 偏置
更新门Ut和重置门Rt分别为:
(u) (r)
包括网络权重 以及偏置b 、b ,激活函数g(·)取为
sigmoid函数。
7.根据权利要求2所述的一种柔索驱动微创手术器械末端执行器的运动估计模型训练方法,其特征在于,步骤三中构建的深度神经网络f(·)中,第六层全连接输出层的实现过程为:(3)
设第五层输出为O ,则当前批样本的全连接输出层的输出为:
包括网络权重 和偏置
8.根据权利要求2所述的一种柔索驱动微创手术器械末端执行器的运动估计模型训练方法,其特征在于,所述运动估计模型训练方法还包括步骤四,步骤四具体操作包括:对于测试集中的任一电机状态特征序列测试样本x,首先经过步骤一中的最大最小值归一化处理和步骤二中的样本特征序列重塑,获得经过处理之后的测试样本特征 并将其输入到步骤三中训练好的末端关节位置估计器 对每一个测试样本进行预测,获取该测试样本对应的预测位置 与测试集中的样本标签进行比对。
9.一种柔索驱动微创手术器械末端执行器的运动估计方法,其特征在于,所述估计方法具体包括以下步骤:获取任一待测电机状态特征序列样本,首先经过权利要求2中步骤一中的最大最小值归一化处理和步骤二中的样本特征序列重塑,获得经过处理之后的待测样本特征,并将其输入到步骤三中训练好的末端关节位置估计器 对每一个待测样本进行预测,获取该待测样本对应的预测位置。