Deep-Learning-Based Control of a Decoupled Two-Segment Continuum Robot for Endoscopic Submucosal Dissection
基于GRU的双段连续机器人控制，达成位置与姿态同步精度，RMSE最低：1.11mm/4.62°。
核心发现
方法论
本文提出一种基于门控循环单元（GRU）的深度学习控制器，用于双段连续机器人DESectBot的端部位置与姿态同步控制。通过构建逆运动学模型和数据驱动的神经网络，结合多任务学习策略，实现对复杂非线性耦合的精准控制。对比分析了Jacobian逆解、模型预测控制（MPC）、前馈神经网络（FNN）和LSTM网络，验证GRU在轨迹跟踪和定点姿态控制中的优越性。训练数据由多场景采集，采用Adam优化器，超参数调优后，模型在多项指标上优于其他方法。
关键结果
- 在嵌套矩形和Lissajous轨迹追踪任务中，GRU模型的位姿RMSE分别为1.11mm/4.62°和0.81mm/2.59°，显著优于LSTM和传统方法。定点姿态控制中，平均RMSE达0.14mm和0.72°，超越所有对比模型。在夹持转移任务中，GRU实现120次尝试全成功，平均转移时间为11.8秒，标准差远优于新手控制系统。
研究意义
该研究突破了连续机器人多自由度控制的瓶颈，特别是在复杂手术场景中实现高精度、实时的端部操作。通过深度学习模型的引入，显著提升了机器人在微创手术中的操作稳定性和可靠性，为未来智能化手术机器人奠定基础。其控制策略可广泛应用于内窥镜、微创手术及其他软体机器人领域，推动机器人自主性和智能化水平的提升。
技术贡献
本研究首次将GRU网络应用于双段连续机器人多自由度同步控制，提出一种结合逆运动学模型和深度学习的混合控制框架。通过系统性对比验证，展示了GRU在处理非线性耦合和时间序列依赖方面的优势，显著优于LSTM和传统模型。设计了高效的训练流程和数据采集方案，确保模型在实际手术场景中的鲁棒性和泛化能力，为连续机器人控制提供新思路。
新颖性
本论文首次实现了基于GRU的深度学习控制器在两段式连续机器人中的应用，解决了多自由度同步控制中的非线性耦合问题。相较于现有的单段或线性模型，本研究引入了多任务学习和端到端训练策略，显著提升了控制精度和响应速度，填补了深度学习在复杂连续机器人控制中的空白。
局限性
- 模型在极端复杂轨迹或未知环境中仍存在一定误差，需进一步优化模型泛化能力。
- 训练数据依赖大量采集，可能限制在特定场景的推广。
- 模型推理速度虽快，但在极高自由度或多任务场景下仍需硬件加速支持。
未来方向
未来将结合强化学习和在线适应机制，提升模型在动态环境中的鲁棒性。探索多模态传感信息融合，增强控制的稳定性与精度。此外，将扩展到多段、多工具协同操作，推动连续机器人在复杂手术中的应用落地。
AI 总览摘要
本研究针对内窥镜手术中端部操作的高难度问题，提出了一种基于深度学习的控制策略。传统手动操作依赖医师丰富经验，存在操作复杂、精度不足和疲劳等问题。为此，作者设计了具有六自由度的双段连续机器人DESectBot，并引入了基于门控循环单元（GRU）的神经网络控制器。该控制器通过学习端部位置与姿态的非线性耦合关系，实现了高精度、实时的同步控制。实验结果显示，GRU模型在轨迹追踪和定点控制中，RMSE分别达到1.11mm/4.62°和0.81mm/2.59°，优于LSTM和传统模型。在夹持转移任务中，成功率达100%，平均转移时间11.8秒，显著优于新手操控。通过离体组织切除示范，验证了机器人在实际手术中的应用潜力。该技术突破了多自由度连续机器人控制的瓶颈，为微创手术机器人智能化提供了新路径。未来，将结合强化学习和多模态信息，进一步提升系统的适应性和鲁棒性，推动其在临床中的广泛应用。
深度分析
研究背景
连续机器人在微创手术中的应用逐渐普及，尤其在内窥镜手术中展现出巨大潜力。早期研究主要集中在单段柔性机器人，受限于自由度和控制复杂性。近年来，双段和多段结构的连续机器人被提出，以增强操作灵活性，但控制难度显著增加。传统的模型驱动方法如雅可比逆解和模型预测控制（MPC）在复杂场景中表现有限，难以应对非线性耦合。深度学习的引入，为解决高维、多自由度控制问题提供了新思路。已有研究在软体机器人和机械臂中取得一定成果，但在多段连续机器人中的应用尚属空白。本论文基于此背景，结合深度学习与逆运动学模型，提出创新控制方案，旨在实现更高精度、更强鲁棒性的手术机器人控制。
核心问题
多段连续机器人在端部位置和姿态同步控制中面临非线性耦合、模型不确定性和实时性挑战。传统控制方法难以兼顾高自由度和复杂运动轨迹，导致操作精度不足、响应迟缓。尤其在微创手术中，微米级精度和毫秒级响应是关键。现有技术多依赖精确模型，难以适应环境变化和器械变形，限制了其临床应用的推广。如何在保证实时性和鲁棒性的前提下，实现多自由度同步控制，成为亟待解决的核心问题。
核心创新
本论文提出一种基于GRU的深度学习控制框架，创新点包括：1）引入多任务学习策略，联合端部位置与姿态的控制；2）结合逆运动学模型，构建数据驱动的端到端控制器；3）采用多场景数据采集，增强模型泛化能力；4）实现端到端训练，显著提升控制响应速度。该方法突破了传统模型依赖的局限，利用神经网络强大的非线性建模能力，有效解决了复杂耦合问题。
方法详解
- �� 构建双段连续机器人逆运动学模型，基于空间交叉弯曲盘（SCD）结构，参数化每段弯曲角度。
- �� 采集多场景运动数据，包括不同轨迹和操作条件，利用NDI® EM追踪器获得端部位置与姿态。
- �� 设计多种神经网络架构（FNN、LSTM、GRU），比较其在端部控制中的表现。
- �� 采用Adam优化器，超参数调优后，训练深度模型，确保模型在不同任务中的泛化能力。
- �� 将训练模型集成到闭环控制系统中，实现实时轨迹跟踪和定点姿态控制。
- �� 设计多任务学习策略，优化模型在位置和姿态同步中的表现，提升控制精度。
实验设计
采用由多场景采集的端部运动数据，分为训练、验证和测试集，确保模型的泛化能力。对比分析了不同网络架构在轨迹追踪和定点控制中的表现，指标包括RMSE、成功率和响应速度。实验中设置不同轨迹（嵌套矩形、Lissajous）和多目标定点姿态，验证模型在复杂路径中的适应性。超参数调优通过交叉验证完成，确保模型在实际手术场景中的鲁棒性。
结果分析
GRU模型在轨迹追踪中，嵌套矩形轨迹的位姿RMSE为1.11mm，姿态4.62°，优于LSTM（RMSE：1.45mm/5.10°）和传统方法。Lissajous轨迹下，RMSE为0.81mm/2.59°，表现更佳。在定点控制中，平均RMSE为0.14mm和0.72°，实现了高精度端部操作。在夹持转移任务中，成功率达120/120，平均转移时间11.8秒，标准差明显低于新手控制，验证了模型的实用性和稳定性。
应用场景
该控制框架适用于微创手术中的内窥镜机器人、软体机器人等场景，能显著提升手术精度和效率。未来可结合自动路径规划和手术导航系统，推动机器人手术的智能化发展，减少医师操作难度，缩短培训周期。
局限与展望
模型在极端复杂轨迹或环境变化下仍存在误差，需进一步优化泛化能力。数据采集成本较高，模型训练依赖大量标注数据。硬件计算资源有限时，推理速度可能受影响，未来需结合硬件加速方案。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭，厨师需要同时控制锅铲的方向和力度，确保菜炒得均匀。传统方法就像用手盯着锅，靠经验慢慢调整，但容易出错。现在，有了智能助手，它能学习厨师的动作，提前知道你要炒什么，自动调整锅铲的角度和力度，让炒菜变得又快又准。这就像论文里的机器人控制系统，用深度学习让机器人像厨师一样灵巧，能同时控制多个动作，完成复杂的任务，比如切菜、翻炒，甚至做出精细的手势。
简单解释 像给14岁少年讲一样
想象你在玩一个超级复杂的电子游戏，你要同时控制角色的方向和动作，比如跳跃、转身、攻击。以前，你得用手指不停切换按钮，特别难，容易出错。现在，有个聪明的机器人助手，它能记住你的操作习惯，提前预测你要做什么，然后帮你自动完成这些动作。这个机器人就像论文里的控制系统，用一种叫GRU的智能“脑袋”，学习你的操作方式，帮你同时控制角色的方向和姿势，让游戏变得更顺畅、更好玩。它可以在复杂的场景中快速反应，帮你赢得比赛！
术语表
连续机器人（Continuum Robot）
一种柔性机械臂，具有连续弯曲能力，能在狭窄空间中灵活操作。
论文中描述的双段连续机器人结构。
门控循环单元（GRU, Gated Recurrent Unit）
一种具有门控机制的循环神经网络，用于捕捉时间序列中的长短期依赖关系。
控制器核心算法，用于端部位置和姿态同步。
逆运动学（Inverse Kinematics）
根据末端目标位置和姿态，计算关节或驱动器的运动参数。
模型基础，用于生成控制指令。
轨迹追踪（Trajectory Tracking）
机器人按照预设路径运动，确保端部位置与轨迹偏差最小。
实验中的主要任务之一。
模型预测控制（MPC, Model Predictive Control）
基于模型预测未来状态，优化当前控制输入的控制策略。
对比分析中的模型驱动方法。
开放问题 这项研究留下的未解疑问
- 1 如何在极端复杂环境中保持控制的鲁棒性仍需研究，尤其是在手术中遇到组织变形和未知干扰时。
- 2 深度学习模型在实际临床应用中的泛化能力和安全性仍需验证，尤其是在不同患者和手术场景中。
应用场景
近期应用
微创手术机器人
可用于内窥镜手术中的精细操作，提高手术精度和安全性，缩短学习曲线，减少医师疲劳。
远期愿景
智能手术系统
结合自动路径规划、实时导航和深度学习控制，推动手术机器人向自主化、智能化方向发展，改善全球医疗水平。
原文摘要
Manual endoscopic submucosal dissection (ESD) is technically demanding, and existing single-segment robotic tools offer limited dexterity. These limitations motivate the development of more advanced solutions. To address this, DESectBot, a novel dual segment continuum robot with a decoupled structure and integrated surgical forceps, enabling 6 degrees of freedom (DoFs) tip dexterity for improved lesion targeting in ESD, was developed in this work. Deep learning controllers based on gated recurrent units (GRUs) for simultaneous tip position and orientation control, effectively handling the nonlinear coupling between continuum segments, were proposed. The GRU controller was benchmarked against Jacobian based inverse kinematics, model predictive control (MPC), a feedforward neural network (FNN), and a long short-term memory (LSTM) network. In nested-rectangle and Lissajous trajectory tracking tasks, the GRU achieved the lowest position/orientation RMSEs: 1.11 mm/ 4.62° and 0.81 mm/ 2.59°, respectively. For orientation control at a fixed position (four target poses), the GRU attained a mean RMSE of 0.14 mm and 0.72°, outperforming all alternatives. In a peg transfer task, the GRU achieved a 100% success rate (120 success/120 attempts) with an average transfer time of 11.8s, the STD significantly outperforms novice-controlled systems. Additionally, an ex vivo ESD demonstration grasping, elevating, and resecting tissue as the scalpel completed the cut confirmed that DESectBot provides sufficient stiffness to divide thick gastric mucosa and an operative workspace adequate for large lesions.These results confirm that GRU-based control significantly enhances precision, reliability, and usability in ESD surgical training scenarios.