Error-State Model Predictive Path Integral Control of Tendon-Driven Continuum Robots using Cosserat Rod Dynamics with Strain Parametrization
Notice bibliographique
Résumé
This paper presents a new error-state Model Predictive Path Integral (MPPI) framework for tendon-driven continuum robots (TDCRs). Tracking-error dynamics are derived employing a Lie group formulation, which preserves full pose geometry. This formulation yields more precise error metrics and enhanced position and orientation control. A nonlinear Cosseratrod model with strain parameterization is used to represent a closed form of TDCR dynamics. Using advanced implementation and valid assumptions, the model updates in approximately 0.3 ± 0.3 ms. The model is calibrated using weight release and actuation-based experiments on tendon-driven robotic ablation catheters. The states of the model are generalized coordinates that are estimated using a nested optimization. The proposed algorithm parallelizes the generation and evaluation of control trajectories. Also, the MPPI controller compensates for actuation uncertainties. Each control trajectory is sampled from the current best control trajectory, and the trajectory's cost function combines a baseline performance term with an adaptive uncertainty penalty. The latter describes measurement uncertainty. Then an exponential weighting scheme prioritizes lower-cost control trajectories. Also, the tendon displacement is used for the actuation and is acquired through an optimization that bypasses the need for force sensing. The framework can be employed for advanced medical TDCR applications such as cardiac ablation. The control algorithm is compared with a conventional Model Predictive Controller (MPC) via experiments. The results show that the proposed MPPI-based approach results in higher precision and greater computational efficiency than MPC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».