基于有SVD监督的BP神经网络的手眼标定方法及装置制造方法及图纸

本发明专利技术公开了一种基于有SVD监督的BP神经网络的手眼标定方法及装置，方法包括以下步骤：1)建立机械臂基坐标系和光学系统坐标系；2)控制机械臂的末端和手持式探针在标定平台多次移动，获取手持式探针在光学系统坐标系的第一坐标集合和机械臂末端的校准工具在机械臂基坐标系的第二坐标集合，构建训练集和测试集；3)利用训练集对搭建的BP神经网络模型进行预训练，得到初始BP神经网络模型；4)利用受到SVD算法更新的训练集对初始BP神经网络模型进行强监督训练，得到优化BP神经网络模型；5)利用测试集测试优化BP神经网络模型，达标则输出为手眼标定模型，不达标则返回步骤4)。本发明专利技术可提高手眼标定算法的精度和鲁棒性。可提高手眼标定算法的精度和鲁棒性。可提高手眼标定算法的精度和鲁棒性。

Hand eye calibration method and device based on BP neural network with SVD supervision

【技术实现步骤摘要】
基于有SVD监督的BP神经网络的手眼标定方法及装置


[0001]本专利技术涉及机器人应用
，具体是涉及一种基于有SVD监督的BP神经网络的手眼标定方法及装置。

技术介绍

[0002]光学定位系统作为手术机器人进行目标感知和定位的关键系统，其性能好坏直接决定手术机器人辅助医生进行关节置换手术的高效可靠性。手眼标定作为确定光学系统坐标系与机械臂基坐标系之间的转换关系的主要方法，目前已有很多学者作出研究，但是所采用的算法往往利用线性模型来计算光学系统坐标系与机械臂基坐标系之间的线性标定关系，未能考虑到其中的非线性系统误差。当然，也有学者提出利用具备高效非线性映射能力的神经网络模型来解决这一非线性误差问题，然而传统的神经网络模型容易出现陷入局部极小值、预测误差大、训练时间长、收敛曲线长等问题。

技术实现思路

[0003]本专利技术提供一种基于有SVD监督的BP神经网络的手眼标定方法及装置，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0004]本专利技术实施例提供一种基于有SVD监督的BP神经网络的手眼标定方法，应用在手术机器人标定系统中，所述手术机器人标定系统包括末端携带有校准工具的机械臂、标定平台、手持式探针和光学定位仪，且所述标定平台、所述机械臂的基座和所述光学定位仪之间的位置保持相对固定；所述手术机器人手眼标定方法包括：
[0005]步骤S100、建立所述机械臂所对应的机械臂基坐标系和所述光学定位仪所对应的光学系统坐标系；
[0006]步骤S200、控制所述机械臂的末端和所述手持式探针在所述标定平台上进行多次移动，获取所述手持式探针在所述光学系统坐标系下的第一坐标集合和所述校准工具在所述机械臂基坐标系下的第二坐标集合，进而按照设定比例构建训练集和测试集；
[0007]步骤S300、利用所述训练集对预先搭建的BP神经网络模型进行预训练，得到初始BP神经网络模型；
[0008]步骤S400、利用SVD算法对所述训练集进行数据更新，再利用更新后的训练集对所述初始BP神经网络模型进行强监督训练，得到优化BP神经网络模型；
[0009]步骤S500、利用所述测试集对所述优化BP神经网络模型进行测试，若测试达标，则进入步骤S600，若测试不达标，则返回步骤S400；
[0010]步骤S600、将所述优化BP神经网络模型定义为最终的手眼标定模型。
[0011]进一步地，所述步骤S200包括：
[0012]步骤S201、在所述标定平台上设置若干个标定位置，且每一个标定位置携带有唯一的编码标记；
[0013]步骤S202、控制所述手持式探针在所述若干个标定位置中逐个移动，获取所述手
持式探针的尖端在所述光学系统坐标系下的若干个坐标信息，形成第一坐标集合；
[0014]步骤S203、控制所述机械臂的末端在所述若干个标定位置中逐个移动，获取所述校准工具的尖端在所述机械臂基坐标系下的若干个坐标信息，形成第二坐标集合；
[0015]步骤S204、根据每一个标定位置所携带的编码标记，建立所述第一坐标集合与所述第二坐标集合之间的输入输出对应关系，进而合并形成样本数据集；
[0016]步骤S205、从所述样本数据集中选取80％的样本数据作为训练集，将所述样本数据集中剩下20％的样本数据作为测试集。
[0017]进一步地，所述样本数据集中所包含的每一个样本数据包括输入样本和输出样本，所述输入样本为所述第一坐标集合中的一个坐标信息，所述输出样本为所述第二坐标集合中的一个坐标信息，所述输入样本与所述输出样本的编码标记相同。
[0018]进一步地，所述手持式探针包括刚性支架、可拆卸针头和两个定位球，所述可拆卸针头与所述刚性支架连接，所述两个定位球固定安装在所述刚性支架上，且所述两个定位球与所述可拆卸针头处于同一水平线上。
[0019]进一步地，所述第一坐标集合中所包含的每一个坐标信息均是根据所述两个定位球的坐标信息以及所述可拆卸针头的尖端与其临近的一个定位球之间的距离信息进行计算得到的。
[0020]进一步地，所述步骤S300包括：
[0021]步骤S301、将预先搭建的BP神经网络模型作为当前执行训练的BP神经网络模型；
[0022]步骤S302、将所述训练集导入至所述当前执行训练的BP神经网络模型进行正向传播，获取模型训练输出误差结果；
[0023]步骤S303、判断所述模型训练输出误差结果是否符合预设精度要求，若符合，则进入步骤S305，若不符合，则进入步骤S304；
[0024]步骤S304、利用所述模型训练输出误差结果对所述当前执行训练的BP神经网络模型进行反向传播，同时利用LM算法对所述当前执行训练的BP神经网络模型进行权值修正，再将权值修正后的BP神经网络模型作为下一个执行训练的BP神经网络模型，返回步骤S302；
[0025]步骤S305、将所述当前执行训练的BP神经网络模型定义为初始BP神经网络模型。
[0026]进一步地，在所述步骤S400中，所述利用SVD算法对所述训练集进行数据更新包括：
[0027]按照既定比例从所述训练集中选取若干个样本数据，利用SVD算法对所述若干个样本数据进行计算，得到手眼关系矩阵；
[0028]基于所述若干个样本数据包含有若干个输入样本及其对应的若干个输出样本，利用所述手眼关系矩阵对所述若干个输入样本进行坐标转换，得到所述若干个输入样本对应的若干个标签样本；
[0029]将所述若干个输出样本对应替换为所述若干个标签样本，得到更新后的若干个样本数据。
[0030]进一步地，所述步骤S500包括：
[0031]将所述测试集导入至所述优化BP神经网络模型进行正向传播，获取模型测试输出误差结果；
[0032]判断所述模型测试输出误差结果是否符合预设精度要求，若符合，则验证测试达标，若不符合，则验证测试不达标。
[0033]另外，本专利技术实施例还提供一种基于有SVD监督的BP神经网络的手眼标定装置，所述装置包括：
[0034]至少一个处理器；
[0035]至少一个存储器，用于存储至少一个程序；
[0036]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现实现上述任一项所述的基于有SVD监督的BP神经网络的手眼标定方法。
[0037]本专利技术至少具有以下有益效果：通过利用自主设计的手持式探针以及自主搭建的手术机器人标定系统，同时基于光学定位原理和线性计算方式可以实现标定数据的高效准确采集，操作过程较为简单方便。通过引入SVD算法对训练集进行更新，利用受到SVD监督后的BP神经网络模型来实现手术机器人的手眼标定过程，可以减少非线性系统误差，提高光学系统坐标系与机械臂基坐标系之间的转换精度以及增强系统鲁棒性，从而使得手术机器人可对目标位置进行可靠识别定位，帮助医生进行关节置换手术操作。相比于传统的神经网络模型而言，受本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于有SVD监督的BP神经网络的手眼标定方法，其特征在于，应用在手术机器人标定系统中，所述手术机器人标定系统包括末端携带有校准工具的机械臂、标定平台、手持式探针和光学定位仪，且所述标定平台、所述机械臂的基座和所述光学定位仪之间的位置保持相对固定；所述手术机器人手眼标定方法包括：步骤S100、建立所述机械臂所对应的机械臂基坐标系和所述光学定位仪所对应的光学系统坐标系；步骤S200、控制所述机械臂的末端和所述手持式探针在所述标定平台上进行多次移动，获取所述手持式探针在所述光学系统坐标系下的第一坐标集合和所述校准工具在所述机械臂基坐标系下的第二坐标集合，进而按照设定比例构建训练集和测试集；步骤S300、利用所述训练集对预先搭建的BP神经网络模型进行预训练，得到初始BP神经网络模型；步骤S400、利用SVD算法对所述训练集进行数据更新，再利用更新后的训练集对所述初始BP神经网络模型进行强监督训练，得到优化BP神经网络模型；步骤S500、利用所述测试集对所述优化BP神经网络模型进行测试，若测试达标，则进入步骤S600，若测试不达标，则返回步骤S400；步骤S600、将所述优化BP神经网络模型定义为最终的手眼标定模型。2.根据权利要求1所述的基于有SVD监督的BP神经网络的手眼标定方法，其特征在于，所述步骤S200包括：步骤S201、在所述标定平台上设置若干个标定位置，且每一个标定位置携带有唯一的编码标记；步骤S202、控制所述手持式探针在所述若干个标定位置中逐个移动，获取所述手持式探针的尖端在所述光学系统坐标系下的若干个坐标信息，形成第一坐标集合；步骤S203、控制所述机械臂的末端在所述若干个标定位置中逐个移动，获取所述校准工具的尖端在所述机械臂基坐标系下的若干个坐标信息，形成第二坐标集合；步骤S204、根据每一个标定位置所携带的编码标记，建立所述第一坐标集合与所述第二坐标集合之间的输入输出对应关系，进而合并形成样本数据集；步骤S205、从所述样本数据集中选取80％的样本数据作为训练集，将所述样本数据集中剩下20％的样本数据作为测试集。3.根据权利要求2所述的基于有SVD监督的BP神经网络的手眼标定，其特征在于，所述样本数据集中所包含的每一个样本数据包括输入样本和输出样本，所述输入样本为所述第一坐标集合中的一个坐标信息，所述输出样本为所述第二坐标集合中的一个坐标信息，所述输入样本与所述输出样本的编码标记相同。4.根据权利要求2所述的基于有SVD监督的BP神经网络的手眼标定方法，其特征在于，所述手持式探针包括刚性支架、可拆卸针头和两个定位球，所述可...

【专利技术属性】
技术研发人员：朱家祺，宁为博，范衠，陈栩聪，袁野，胡军，谷敏强，陈洪江，谭业成，周伟骏，何树星，
申请(专利权)人：汕头大学医学院第一附属医院，
类型：发明
国别省市：