欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024109707736
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种柔索驱动连续体关节形状估计方法,其特征在于,所述方法包括:首先建立柔索驱动手术机器人连续体关节运动数据集,并按照连续体关节末端的负载重量,将其划分为训练集、验证集和测试集;然后,使用连续体关节连杆的末端三维空间中X、Y、Z方向的三个力信息、三个力矩信息和一个通过dSPACE实时控制系统输入的理论角度信息来构造样本特征序列;

同时,使用连续体关节上标记点的坐标位置信息作为样本的标签序列;进一步,按照时间长度T=50个0.5s时间点对这些特征序列进行交叠划分,以构建训练样本、验证样本和测试样本;此外,该方法根据标记点的X坐标位置和Y坐标位置,分别独立地进行了两个预测回归任务;在预测标记点X或Y坐标的回归任务中,每个样本的标签选择为T个时间点中最后一个时间点对应的标记点X或Y坐标位置,所述方法的具体步骤包括:步骤一、训练集样本表示为其中,n表示训练集的样本个数;对应的样本标签表示为其中,y1,y2,…,yn表示对应标记点的X坐标值或Y坐标值,具体取决于当前所做回归任务的预测对象;然后,对样本中的每个特征进行最大最小值归一化的预处理,处理后的训练集样本表示为步骤二、对步骤一中经过处理后的样本特征进行形状重塑,将每个样本的特征拆分为三个长度为T的流;对于任一样本三个流分别看成是维度为T×3、T×3、T×1的二维矩阵,对应于三个力信息、三个力矩信息和一个理论角度信息,第s个流表示为步骤三、构建多通道共同注意力循环神经网络模型,用于估计连续体关节的形状;然后,将步骤二中经过形状重塑后的训练样本集,沿着三个不同的通道送入到构建的神经网络中,并利用对应的样本标签γ,训练深度神经网络f(·),得到连续体关节形状估计器步骤四、对于测试集中的任一样本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形状重塑,得到经过重塑后的三个流分别为和然后将三个流沿着三个不同的通道输入训练好的连续体关节形状估计器以此对测试集中的每一个样本进行估计,得到相应测试样本的连续体关节上标记点的X或Y坐标。

2.根据权利要求1所述的一种柔索驱动连续体关节形状估计方法,其特征在于,步骤三中的神经网络模型为多通道共同注意力循环神经网络,网络结构为:第一至第三层为三个并行的输入层,分别接收经过序列重塑后的样本特征的三个流:力信息、力矩信息、理论角度信息,特征维度分别为T×3、T×3、T×1;第四至第六层为三个并行的一维卷积层,依次对应以上三个流;每个一维卷积层的滤波器个数设为F,卷积核大小设为Ks,步长为1,填充方式为same填充,激活函数为tanh函数;第七层为共同注意力层,该层的输入为第一和第二个一维卷积层的输出,并设置可调的映射维数为m;第八层为连接层,对共同注意力层的输出和第三个一维卷积层的输出进行连接;第九层为形状重塑层,重塑尺度设为d;第十至第十二层为循环神经网络层,结点数分别为128、64和32;第十三和第十四层为全连接层,结点数分别为8和1;此外,网络使用自适应矩估计优化器最小化均方误差损失。

3.根据权利要求1所述的一种柔索驱动连续体关节形状估计方法,其特征在于,步骤三中构建的深度神经网络f(·)中,第四至第六层的三个一维卷积层的实现过程为:对于经过最大最小值处理后的样本的第s个流将其输入到对应的一维卷积通道中,得到第s个一维卷积层的输出为其中,F代表卷积层中滤波器的个数;第j个滤波器的输出表示为

其中,tanh(·)代表的是tanh激活函数;代表的是第j个可训练的滤波器,其中,Ks表示的卷积核大小,Ch代表的是滤波器的通道数;表示偏置。

4.根据权利要求1所述的一种柔索驱动连续体关节形状估计方法,其特征在于,步骤三中构建的深度神经网络f(·)中,第七层共同注意力层的实现过程为:将第一和第二个一维卷积层的输出和输入到使用并行共同注意的共同注意力层,以学习这两个输入序列之间的相互作用;首先,根据和计算出相似度矩阵为其中,代表权重矩阵;然后,使用相似度矩阵C,分别获得两个注意力图为

其中,代表权重矩阵;m代表可调的映射维度;接着,对注意力图进行线性映射操作,获得注意力权重分别为其中,代表映射矩阵;最后,根据av和aq,获得注意力矩阵分别为

其中,代表全1矩阵,表示元素乘积运算符;在计算过程中未将加权后的输入特征进行求和,使得注意力层的输出仍然具有时序性。

5.根据权利要求1所述的一种柔索驱动连续体关节形状估计方法,其特征在于,步骤三中构建的深度神经网络f(·)中,第八和第九层的连接层以及形状重塑层的实现过程为:首先,将共同注意力层的输出和与第三个一维卷积层的输出进行连接,表示为然后,将Oc重塑为其中,整数d≥1代表重塑尺度。

6.根据权利要求1所述的一种柔索驱动连续体关节形状估计方法,其特征在于,步骤三中构建的深度神经网络f(·)中,第十至第十二层的循环神经网络层以及第十三和十四层的全连接层的实现过程为:设的第t个时间步为因此,对于时间t得到第三个循环神经网络层的输出为

其中,分别表示第一、二、三个循环神经网络层的映射过程;n1、n2、n3分别表示三个循环神经网络层在时间t的输出维数;因此,第三个循环层的整体输出表示为然后,使用最后一个时间步作为第一个全连接层的输入,并使用第二个全连接层进行位置预测;最终,获得样本x的预测X或Y坐标为其中,和分别代表第一、二个全连接层的权重矩阵和偏置,为第一个全连接层的节点数。