基于学习与基准方法的da Vinci研究套件Si系统力估计效果对比研究

《IEEE Transactions on Medical Robotics and Bionics》：An Effectiveness Study Across Baseline and Learning-Based Force Estimation Methods on the da Vinci Research Kit Si System

本研究针对da Vinci手术机器人缺乏力感知能力的问题，开展了基于机器学习的力估计方法在dVRK-Si系统上的应用研究。通过对比基准方法与LSTM（长短期记忆网络）学习算法的性能，发现学习法在dVRK-Si上误差降低2-4倍，但整体精度仍较dVRK Classic低2-3倍。进一步分析揭示dVRK-Si因机械非平衡性导致PID（比例-积分-微分）控制欠佳，为手术机器人动态建模提供了新方向。该研究首次实现了dVRK-Si系统的学习型动力学识别，对提升机器人辅助微创手术的力反馈精度具有重要意义。

　　

在机器人辅助微创手术领域，达芬奇手术系统（da Vinci Surgical System）的革命性进步显著提升了手术精度与患者康复速度。然而，在2024年最新发布的da Vinci 5之前，所有代际的达芬奇机器人均存在一个关键缺陷——缺乏实时力感知能力。外科医生在操作过程中无法获得触觉反馈，犹如在"视觉主导的迷雾"中穿行，仅能依靠视觉线索推测器械与组织间的相互作用力。这种力反馈的缺失不仅增加了组织损伤风险，更制约了远程手术、自主手术等前沿技术的发展。

为解决这一难题，研究团队将目光投向开源手术机器人研究平台——达芬奇研究套件（da Vinci Research Kit, dVRK）。早期基于dVRK Classic（经典版）的研究已证明机器学习方法可通过学习机器人内在动力学特性，实现无需外加传感器的力估计（sensorless force estimation）。但随着新一代dVRK-Si（硅基版）的问世，其机械结构、驱动系统与控制逻辑的革新，对现有力估计方法提出了全新挑战。为此，跨国研究团队在《IEEE Transactions on Medical Robotics and Bionics》发表最新研究，首次系统对比了基线方法与学习算法在dVRK-Si上的力估计性能，并深入揭示了新平台特有的动态特性对力感知精度的影响机制。

研究采用多模态技术融合方案：首先通过远程操作采集机器人自由运动时的关节角度、速度与扭矩数据构建训练集（采样率1 kHz，降采样至200 Hz）；接着使用长短期记忆网络（Long Short-Term Memory, LSTM）建立从关节状态到自由空间扭矩的映射关系；最后通过雅可比矩阵转置（J^-T）将关节扭矩差值转换为笛卡尔空间末端作用力估计。为验证普适性，团队同步在dVRK Classic与dVRK-Si患者侧机械臂（Patient Side Manipulator, PSM）上开展对比实验，并引入三种基线方法（仅测量值、偏置补偿、向量搜索）进行基准测试。所有实验均通过ATI Gamma六维力/力矩传感器（F/T sensor）获取真实接触力作为基准真值。

学习型内在动力学估计验证

基于自由运动测试集的验证显示，LSTM网络在dVRK-Si上各关节扭矩估计的归一化均方根误差（Normalized Root Mean Square Error, NRMSE）均低于5%，与经典版性能相当（表1）。这表明尽管平台更迭，学习法仍能有效捕捉系统内在动力学特性。

力估计结果滤波优化

dVRK-Si的力估计结果出现显著高频噪声，研究人员采用萨维茨基-戈雷滤波器（Savitzky-Golay filter）进行后处理（多项式阶数3，窗口201）。滤波后X、Y、Z轴力估计均方根误差（Root Mean Square Error, RMSE）分别降低35%、30%与16%（表2）。频谱分析显示噪声主要集中于5-30 Hz频带，滤波在保持信号相位的同时有效提升了信噪比。

力估计性能基准测试

学习法在两类系统上均显著优于基线方法（表3）。在dVRK-Si上，其平均RMSE（2.16 N）较最优基线（向量搜索法7.43 N）降低71%，但较dVRK Classic（0.96 N）仍有2.25倍差距。特别值得注意的是，基线方法在dVRK-Si上的误差急剧放大（如Y轴"仅测量值"法RMSE达24.52 N），反映出新系统对动力学建模误差的敏感性显著增强。

dVRK-Si估计误差溯源

通过瞬态扭矩响应实验（图6）排除了电流纹波因素后，PID（Proportional-Integral-Derivative）位置控制实验揭示关键症结：dVRK-Si在静动态转换时出现4.5 Nm的扭矩超调（overshoot），稳定时间达0.8秒（对应瞬态频率约1 Hz），而dVRK Classic因机械平衡设计仅需30毫秒即可稳定。进一步地，dVRK-Si静止时关节扭矩波动达3-6 Nm（经典版仅1 Nm），其高齿轮传动比与无配重设计导致需要更大启动力矩克服摩擦与不平衡惯性，引发欠阻尼PID行为。

本研究首次实现了dVRK-Si系统的学习型动力学识别，证实了机器学习方法在新平台上的有效性与泛化能力。尽管dVRK-Si的力估计精度目前落后于经典版，但研究通过系统性的误差溯源指出：其根本原因在于非平衡机械结构引发的复杂内部动力学特性，导致传统PID控制难以实现理想跟踪性能。这一发现为后续研究指明了方向——需开发更精确的动态模型、引入重力补偿前馈（gravity compensation feedforward）或先进控制策略，以抑制扭矩超调与振荡。该工作不仅推动了手术机器人力感知技术的发展，更为新一代开源机器人平台的性能优化提供了关键理论依据与实践路径。