基于运动测量和机器学习的手部动作预测算法制造技术

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。本发明专利技术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。者的操作体验。者的操作体验。

【技术实现步骤摘要】
基于运动测量和机器学习的手部动作预测算法


[0001]本专利技术属于自动控制领域。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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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：
[0005]1.输入一段典型的主从手术操作控制数据
[0006]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。
[0007]2.由位置/姿态数据差分得到速度、加速度数据
[0008]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。
[0009]则速度序列为：加速度序列为：
[0010]3.确定虚拟力
[0011]虚拟力：其中B为阻尼系数，K为刚度系数，x0为平衡位置。
[0012]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。
[0013]考虑系数B和K的取值上限：
[0014]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：
[0015]F＝x(i+1)+x(i
‑
1)
‑
2x(i)+B(x(i+1)
‑
x(i
‑
1))/2
[0016]在自由运动时，F＝0，上式转化为如下形式：
[0017][0018]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；
[0019]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)：
[0020][0021]这时位置/姿态将做简谐振动，得到代入上式并离散化得到：
[0022][0023]所以K＝2
‑
2cos(ω)≤4
[0024]选取系数B和K的取值：
[0025]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。
[0026]4.对虚拟力做去野值处理
[0027]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。
[0028]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。
[0029]5.建立虚拟力预测模型
[0030]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：
[0031]F
p,c,i
＝F
c
+dF
c
·
i+ddF
c
·
i2/2，其中：
[0032]i＝1,
…
,m，表示预测长度；
[0033][0034][0035]w
1,j
、w
2,k
为机器学习中需要确定的权值参数。
[0036]6.采用梯度下降法进行机器学习
[0037]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：其中：
[0038]F
j
表示去野值之后的虚拟力序列的第j个采样点；
[0039]F
p,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；
[0040]e是权值参数w
1,j
、w
2,k
的函数，即e＝e(w
1,1
,
…
,w
1,n
‑1,w
2,1
,
…
,w
2,n
‑2)，定义误差e的梯度向量其中：
[0041]表示权向量；
[0042]则
[0043]其中：
[0044][0045]k1＝1,
…
,n
‑
1；
[0046]其中：
[0047][0048]k2＝1,
…
,n
‑
2。
[0049]对于当前的权值向量w，通过以上公式计算得到对应的采用的方式对w进行优本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：加速度序列为：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：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：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)：
这时位置/姿态将做简谐振动，得到代入上式并离散化得到：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...

【专利技术属性】
技术研发人员：李汉忠，朱文瀚，陈鹏，马博文，于泳，
申请(专利权)人：北京科鹏医疗器械有限公司，
类型：发明
国别省市：