Shape Reconstruction and Tip Force Estimation in Tendon-Driven Soft Robots Using Physics-Informed Neural Networks
Notice bibliographique
Résumé
This paper presents a theoretical model for the shape reconstruction of soft robots under a tip force, a tip moment, and a distributed load along the body, akin to blood flow forces acting on ablation catheters in the left atrium. The model is based on the Euler-Bernoulli beam theory and cubic Bézier curve approximation. Verification against a finite element model shows a maximum relative error below 5%. However, the average refresh rate (~1.1 Hz) falls short for clinical use, presenting a limitation. To address this, an artificial neural network (ANN) model is introduced and trained using data from the theoretical model over a range of tip forces, moments, and distributed loads. The ANN model exhibited an average refresh rate of 50 Hz, making it suitable for clinical applications. Given the importance of tip force estimation in minimally invasive surgery, an additional ANN model was developed to estimate the tip force, based on the deformed shape, tip moment, and distributed load. The model is trained and validated using rearranged data from the theoretical model and compared with in-vitro experimental results from a custom apparatus simulating blood flow interactions with ablation catheters. A strong agreement between the theoretical and experimental results was found, which confirms the model’s validity. This study underscores the potential of neural network models for accurate shape reconstruction and force estimation in soft robots, particularly in minimally invasive surgeries.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».