基于类小脑模型的机械臂视觉伺服控制方法及系统

摘要

本发明公开了一种基于类小脑模型的机械臂视觉伺服控制方法及系统，本发明受到生物机制的启发为柔性外科内窥镜机械臂设计一种基于小脑模型的控制方案，不需要知道机械臂模型信息和计算图像雅可比矩阵，并将物理约束和远程运动中心约束都考虑进了控制方法中。方案基于脉冲神经网络，具有一定的生物可行性，并且相较于第二代人工神经网络，脉冲神经元之间具有的脉冲通信方式和动力学特征赋予其超低功耗计算和时序任务处理的潜力，提高了内窥镜机器人自动化控制方案的可靠性、高效性和精确性，可广泛应用于人工智能技术领域。

权利要求

1.一种基于类小脑模型的机械臂视觉伺服控制方法，其特征在于，包括：初始化机械臂关节角度和小脑模型及目标参数；其中，所述小脑模型包括输入层、液体层和读出层；所述目标参数包括伺服任务运动时间、采样时间间隔和小脑模型规模；所述输入层分为m个输入子层，所述液体层分为m个液体子层，所述小脑模型规模包括输入子层神经元个数和液体子层神经元个数；

获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度；

对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动；

获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵；其中，所述目标物体参数为通过图像数据分析得到的机械臂控制目标物体的位置、速度和加速度；

获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵；拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵；其中，所述运动中心点参数为通过传感数据测量得到的运动中心点的位置、速度和加速度；

对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重；获取第二关节角作为当前机械臂关节角度，然后返回所述获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度这一步骤，直至所述伺服任务运动时间结束。

2.根据权利要求1所述的一种基于类小脑模型的机械臂视觉伺服控制方法，其特征在于，所述方法应用固定点远程运动中心约束或应用可移动远程运动中心约束。

3.根据权利要求1所述的一种基于类小脑模型的机械臂视觉伺服控制方法，其特征在于，所述获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度，包括：通过驱动信号刺激所述小脑模型输入层神经元发出脉冲，进而刺激液体层神经元发出脉冲；

对脉冲进行记录，并确定读出层的模型输出。

4.根据权利要求1所述的一种基于类小脑模型的机械臂视觉伺服控制方法，其特征在于，所述对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动，包括：初始化折扣因子；

根据所述模型输出，结合驱动信号的预设界限更新所述折扣因子；

根据所述模型输出和更新后的折扣因子，确定驱动信号速度，进而根据所述驱动信号速度确定关节运动速度控制机械臂运动。

5.根据权利要求1所述的一种基于类小脑模型的机械臂视觉伺服控制方法，其特征在于，所述获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵，包括：根据所述目标物体参数预设第一向量值误差函数；

根据所述第一向量值误差函数代入所述第一零化神经网络得到第一微分方程；

对所述第一微分方程变换得到第一雅可比矩阵。

6.根据权利要求1所述的一种基于类小脑模型的机械臂视觉伺服控制方法，其特征在于，所述获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵，包括：根据所述运动中心点参数预设约束向量值，进而预设第二向量值误差函数；

根据所述第二向量值误差函数代入所述第二零化神经网络得到第二微分方程；

对所述第二微分方程变换得到第二雅可比矩阵。

7.根据权利要求2所述的一种基于类小脑模型的机械臂视觉伺服控制方法，其特征在于，所述拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵，包括：当应用固定点远程运动中心约束，通过第一拼接得到第三雅可比矩阵；

所述第一拼接的表达式为：

其中，J(n)表示第三雅可比矩阵，Jsystem(n)表示第一雅可比矩阵，Jrcm(n)表示第二雅可比矩阵， 表示实数集。

8.根据权利要求2所述的一种基于类小脑模型的机械臂视觉伺服控制方法，其特征在于，所述拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵，包括：当应用可移动远程运动中心约束，通过第二拼接得到第三雅可比矩阵；

所述第二拼接的表达式为：

其中，J(n)表示第三雅可比矩阵，Jsystem(n)表示第一雅可比矩阵，Jrcm_(n)和Jrcm_(n)由第二雅可比矩阵Jrcm(n)分解得到， 表示实数集。

9.根据权利要求1所述的一种基于类小脑模型的机械臂视觉伺服控制方法，其特征在于，所述对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重，包括：预设期望误差向量值；

根据所述期望误差向量值确定期望进行远程运动中心约束求解得到期望驱动信号速度；

通过线性回归对所述小脑模型读出层进行输出权重训练，根据所述输出权重训练更新所述小脑模型输出层权重。

10.一种基于类小脑模型的机械臂视觉伺服控制系统，其特征在于，包括：第一模块，用于初始化机械臂关节角度和小脑模型及目标参数；其中，所述小脑模型包括输入层、液体层和读出层；所述目标参数包括伺服任务运动时间、采样时间间隔和小脑模型规模；所述输入层分为m个输入子层，所述液体层分为m个液体子层，所述小脑模型规模包括输入子层神经元个数和液体子层神经元个数；

第二模块，用于获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度；

第三模块，用于对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动；

第四模块，用于获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵；其中，所述目标物体参数为通过图像数据分析得到的机械臂控制目标物体的位置、速度和加速度；

第五模块，用于获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵；拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵；其中，所述运动中心点参数为通过传感数据测量得到的运动中心点的位置、速度和加速度；

第六模块，用于对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重；获取第二关节角作为当前机械臂关节角度，然后返回所述第二模块，直至所述伺服任务运动时间结束。

说明书

基于类小脑模型的机械臂视觉伺服控制方法及系统

技术领域

[0001] 本发明涉及人工智能技术领域，尤其是一种基于类小脑模型的机械臂视觉伺服控制方法及系统。

背景技术

[0002] 在微创手术中，内窥镜在观察患者体内手术部位发挥关键作用，具有广阔的应用前景。然而在传统的外科手术中，人工助手需要手动调节内窥镜，为外科医生提供患者体内手术部位的视野，这会导致摄像机视野不稳定；再则人工助手可能会误解外科医生的意图，导致内窥镜操作不当，降低手术效率。虽然目前有达芬奇内窥镜手术机器人伊索、腹腔镜机器人EndoAssist使得外科医生可以直接操作内窥镜机器人，减轻了手抖风险和沟通问题。但是操作内窥镜仍给外科医生带来了额外的负担。为了减轻外科医生的工作量，设计一种可靠、高效和精确的自动化控制内窥镜机器人方案至关重要。

发明内容

[0003] 有鉴于此，本发明实施例提供一种可靠、高效、精确且自动化的，一种基于类小脑模型的机械臂视觉伺服控制方法及系统。

[0004] 第一方面，本发明实施例提供了一种基于类小脑模型的机械臂视觉伺服控制方法，包括：

[0005] 初始化机械臂关节角度和小脑模型及目标参数；其中，所述小脑模型包括输入层、液体层和读出层；所述目标参数包括伺服任务运动时间、采样时间间隔和小脑模型规模；所述小脑模型规模包括输入子层神经元个数和液体子层神经元个数；

[0006] 获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度；

[0007] 对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动；

[0008] 获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵；其中，所述目标物体参数为通过图像数据分析得到的机械臂控制目标物体的位置、速度和加速度；

[0009] 获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵；拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵；其中，所述运动中心点参数为通过传感数据测量得到的运动中心点的位置、速度和加速度；

[0010] 对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重；获取第二关节角作为当前机械臂关节角度，然后返回所述获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度这一步骤，直至所述伺服任务运动时间结束。

[0011] 可选地，所述方法应用固定点远程运动中心约束或应用可移动远程运动中心约束。

[0012] 可选地，所述获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度，包括：

[0013] 通过驱动信号刺激所述小脑模型输入层神经元发出脉冲，进而刺激液体层神经元发出脉冲；

[0014] 对脉冲进行记录，并确定读出层的模型输出。

[0015] 可选地，所述对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动，包括：

[0016] 初始化折扣因子；

[0017] 根据所述模型输出，结合驱动信号的预设界限更新所述折扣因子；

[0018] 根据所述模型输出和更新后的折扣因子，确定驱动信号速度，进而根据所述驱动信号速度确定关节运动速度控制机械臂运动。

[0019] 可选地，所述获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵，包括：

[0020] 根据所述目标物体参数预设第一向量值误差函数；

[0021] 根据所述第一向量值误差函数代入所述第一零化神经网络得到第一微分方程；

[0022] 对所述第一微分方程变换得到第一雅可比矩阵。

[0023] 可选地，所述获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵，包括：

[0024] 根据所述运动中心点参数预设约束向量值，进而预设第二向量值误差函数；

[0025] 根据所述第二向量值误差函数代入所述第二零化神经网络得到第二微分方程；

[0026] 对所述第二微分方程变换得到第二雅可比矩阵。

[0027] 可选地，所述拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵，包括：

[0028] 当应用固定点远程运动中心约束，通过第一拼接得到第三雅可比矩阵；

[0029] 所述第一拼接的表达式为：

[0030]

[0031] 其中，J(n)表示第三雅可比矩阵，Jsystem(n)表示第一雅可比矩阵，Jrcm(n)表示第二雅可比矩阵， 表示实数集。

[0032] 可选地，所述拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵，包括：

[0033] 当应用可移动远程运动中心约束，通过第二拼接得到第三雅可比矩阵；

[0034] 所述第二拼接的表达式为：

[0035]

[0036] 其中，J(n)表示第三雅可比矩阵，Jsystem(n)表示第一雅可比矩阵，Jrcm_a(n)和Jrcm_β(n)由第二雅可比矩阵Jrcm(n)分解得到， 表示实数集。

[0037] 可选地，所述对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重，包括：

[0038] 预设期望误差向量值；

[0039] 根据所述期望误差向量值确定期望进行远程运动中心约束求解得到期望驱动信号速度；

[0040] 通过线性回归对所述小脑模型读出层进行输出权重训练，根据所述输出权重训练更新所述小脑模型输出层权重。

[0041] 第二方面，本发明实施例提供了一种基于类小脑模型的机械臂视觉伺服控制系统，包括：

[0042] 第一模块，用于初始化机械臂关节角度和小脑模型及目标参数；其中，所述小脑模型包括输入层、液体层和读出层；所述目标参数包括伺服任务运动时间、采样时间间隔和小脑模型规模；所述小脑模型规模包括输入子层神经元个数和液体子层神经元个数；

[0043] 第二模块，用于获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度；

[0044] 第三模块，用于对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动；

[0045] 第四模块，用于获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵；其中，所述目标物体参数为通过图像数据分析得到的机械臂控制目标物体的位置、速度和加速度；

[0046] 第五模块，用于获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵；拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵；其中，所述运动中心点参数为通过传感数据测量得到的运动中心点的位置、速度和加速度；

[0047] 第六模块，用于对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重；获取第二关节角作为当前机械臂关节角度，然后返回所述第二模块，直至所述伺服任务运动时间结束。

[0048] 第三方面，本发明实施例提供了一种电子设备，包括处理器以及存储器；

[0049] 所述存储器用于存储程序；

[0050] 所述处理器执行所述程序实现如前面所述的方法。

[0051] 第四方面，本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。

[0052] 本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

[0053] 本发明的实施例首先初始化机械臂关节角度和小脑模型及目标参数；其中，所述小脑模型包括输入层、液体层和读出层；所述目标参数包括伺服任务运动时间、采样时间间隔和小脑模型规模；所述小脑模型规模包括输入子层神经元个数和液体子层神经元个数；然后获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度；之后对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动；然后获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵；其中，所述目标物体参数为通过图像数据分析得到的机械臂控制目标物体的位置、速度和加速度；随后获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵；拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵；其中，所述运动中心点参数为通过传感数据测量得到的运动中心点的位置、速度和加速度；最终对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重；获取第二关节角作为当前机械臂关节角度，然后返回所述获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度这一步骤，直至所述伺服任务运动时间结束。本发明采用零化神经网络模型对整体雅可比矩阵进行估计，不需要事前复杂的建模过程，在不同类型的内窥镜机械臂之间有更好的可移植性，并将物理约束和远程运动中心约束都考虑进了控制方法中，提供了一种可靠、高效且精确的自动化控制内窥镜机器人方案。

附图说明

[0054] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0055] 图1为本发明实施例提供的总体步骤流程图；

[0056] 图2为本发明实施例提供的基于液体状态机的小脑模型结构示意图；

[0057] 图3为本发明实施例提供的基于小脑模型的控制系统示意图；

[0058] 图4为本发明实施例提供的基于小脑模型的内窥镜机械臂控制方法流程示意图；

[0059] 图5为本发明实施例提供的固定点远程运动中心约束的折扣因子计算流程示意图；

[0060] 图6为本发明实施例提供的可移动远程运动中心约束的折扣因子计算流程示意图；

[0061] 图7为本发明实施例提供的雅可比矩阵Jsystem估算的步骤流程示意图；

[0062] 图8为本发明实施例提供的雅可比矩阵Jrcm估算的步骤流程示意图；

[0063] 图9为本发明实施例提供的固定点远程运动中心约束下物体在图像中的位置误差示意图；

[0064] 图10为本发明实施例提供的固定点远程运动中心约束下远程运动中心点误差示意图；

[0065] 图11为本发明实施例提供的可移动远程运动中心约束下物体在图像中的位置误差示意图；

[0066] 图12为本发明实施例提供的可移动远程运动中心约束下远程运动中心点误差示意图。

具体实施方式

[0067] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0068] 针对现有技术存在的问题，第一方面，本发明提供了一种基于类小脑模型的机械臂视觉伺服控制方法，如图1所示，方法包括以下步骤：

[0069] 初始化机械臂关节角度和小脑模型及目标参数；其中，所述小脑模型包括输入层、液体层和读出层；所述目标参数包括伺服任务运动时间、采样时间间隔和小脑模型规模；所述小脑模型规模包括输入子层神经元个数和液体子层神经元个数；

[0070] 获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度；

[0071] 对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动；

[0072] 获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵；其中，所述目标物体参数为通过图像数据分析得到的机械臂控制目标物体的位置、速度和加速度；

[0073] 获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵；拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵；其中，所述运动中心点参数为通过传感数据测量得到的运动中心点的位置、速度和加速度；

[0074] 对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重；获取第二关节角作为当前机械臂关节角度，然后返回所述获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度这一步骤，直至所述伺服任务运动时间结束。

[0075] 可选地，所述方法应用固定点远程运动中心约束或应用可移动远程运动中心约束。

[0076] 可选地，所述获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度，包括：

[0077] 通过驱动信号刺激所述小脑模型输入层神经元发出脉冲，进而刺激液体层神经元发出脉冲；

[0078] 对脉冲进行记录，并确定读出层的模型输出。

[0079] 可选地，所述对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动，包括：

[0080] 初始化折扣因子；

[0081] 根据所述模型输出，结合驱动信号的预设界限更新所述折扣因子；

[0082] 根据所述模型输出和更新后的折扣因子，确定驱动信号速度，进而根据所述驱动信号速度确定关节运动速度控制机械臂运动。

[0083] 可选地，所述获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵，包括：

[0084] 根据所述目标物体参数预设第一向量值误差函数；

[0085] 根据所述第一向量值误差函数代入所述第一零化神经网络得到第一微分方程；

[0086] 对所述第一微分方程变换得到第一雅可比矩阵。

[0087] 可选地，所述获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵，包括：

[0088] 根据所述运动中心点参数预设约束向量值，进而预设第二向量值误差函数；

[0089] 根据所述第二向量值误差函数代入所述第二零化神经网络得到第二微分方程；

[0090] 对所述第二微分方程变换得到第二雅可比矩阵。

[0091] 可选地，所述拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵，包括：

[0092] 当应用固定点远程运动中心约束，通过第一拼接得到第三雅可比矩阵；

[0093] 所述第一拼接的表达式为：

[0094]

[0095] 其中，J(n)表示第三雅可比矩阵，Jsystem(n)表示第一雅可比矩阵，Jrcm(n)表示第二雅可比矩阵，Jrcm_表示柔性结构内窥镜关于远程运动中心点的雅可比矩阵，因为内窥镜的运动不影响远程运动中心点，所以设置为0， 表示实数集。

[0096] 可选地，所述拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵，包括：

[0097] 当应用可移动远程运动中心约束，通过第二拼接得到第三雅可比矩阵；

[0098] 所述第二拼接的表达式为：

[0099]

[0100] 其中，J(n)表示第三雅可比矩阵，Jsystem(n)表示第一雅可比矩阵，Jsystem_β表示在可移动远程运动中心约束情况下，时变参数β关于机械臂整体雅可比矩阵的估计，因为时变参数β的变化不影响图像中物体位置，所以设置为0，Jrcm_a(n)和Jrcm_β(n)由第二雅可比矩阵Jrcm(n)分解得到，Jrcm_c表示柔性结构内窥镜关于远程运动中心点的雅可比矩阵，因为内窥镜的运动不影响远程运动中心点，所以设置为0， 表示实数集。

[0101] 可选地，所述对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重，包括：

[0102] 预设期望误差向量值；

[0103] 根据所述期望误差向量值确定期望进行远程运动中心约束求解得到期望驱动信号速度；

[0104] 通过线性回归对所述小脑模型读出层进行输出权重训练，根据所述输出权重训练更新所述小脑模型输出层权重。

[0105] 第二方面，本发明实施例提供了一种基于类小脑模型的机械臂视觉伺服控制系统，包括：

[0106] 第一模块，用于初始化机械臂关节角度和小脑模型及目标参数；其中，所述小脑模型包括输入层、液体层和读出层；所述目标参数包括伺服任务运动时间、采样时间间隔和小脑模型规模；所述小脑模型规模包括输入子层神经元个数和液体子层神经元个数；

[0107] 第二模块，用于获取第一关节角，拼接所述第一关节角确定驱动信号输入所述小脑模型，得到模型输出，以所述第一关节角作为当前机械臂关节角度；

[0108] 第三模块，用于对所述模型输出进行物理约束限制得到驱动信号速度，根据所述驱动信号速度确定关节运动速度控制机械臂运动；

[0109] 第四模块，用于获取目标物体参数，通过第一零化神经网络根据所述目标物体参数确定第一雅可比矩阵；其中，所述目标物体参数为通过图像数据分析得到的机械臂控制目标物体的位置、速度和加速度；

[0110] 第五模块，用于获取运动中心点参数，通过第二零化神经网络根据所述运动中心点参数确定第二雅可比矩阵；拼接所述第一雅可比矩阵和所述第二雅可比矩阵得到第三雅可比矩阵；其中，所述运动中心点参数为通过传感数据测量得到的运动中心点的位置、速度和加速度；

[0111] 第六模块，用于对所述第三雅可比矩阵进行远程运动中心约束求解得到期望驱动信号速度，并更新所述小脑模型输出层权重；获取第二关节角作为当前机械臂关节角度，然后返回所述第二模块，直至所述伺服任务运动时间结束。

[0112] 本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

[0113] 本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；

[0114] 所述存储器用于存储程序；

[0115] 所述处理器执行所述程序实现如前面所述的方法。

[0116] 本发明方法实施例的内容均适用于本电子设备实施例，本电子设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

[0117] 本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。

[0118] 本发明方法实施例的内容均适用于本计算机可读存储介质实施例，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

[0119] 本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

[0120] 下面详细描述本发明的基于类小脑模型的机械臂视觉伺服控制的实现原理：

[0121] 为了对本发明的实现原理进行充分说明，首先对相关技术内容进行解释说明：

[0122] 神经生物学的研究表明，人脑在精确运动学习、运动适应等功能中起着重要作用。模拟小脑结构和功能是模拟人脑宏观结构和功能的重要组成部分。小脑通过特殊的神经纤维束与脑干相连，并与大脑、脊髓发生联系。小脑借由小脑皮层的神经系统从四肢、关节、肌肉等部位接收感觉信息，并获取相应的反馈信息，从中学习并存储驱动和协调肌肉运动的指令—控制信号。并且脉冲神经元对认知和运动任务很重要，大脑中的脉冲神经网络能够利用神经元之间的内部可塑性学习运动或适应环境。受到上述生物机制的启发，本发明将基于液体状态机为具有物理和远程运动中心约束的柔性外科内窥镜机器人设计基于脉冲神经网络的视觉伺服控制方法。

[0123] 在本发明中，物理约束指内窥镜机械臂的运动需要满足关节活动范围和关节速度范围限制，否则机械臂可能无法完成任务，甚至会损坏机械臂。机器人辅助的微创手术的特点是限制机械臂连杆通过微创入口移动到患者体内的可行运动，特别地，机械臂应尽量沿其轴平移并围绕入口点旋转，以减少创口的大小。这便要求操作器相对于称为远程运动中心点运动，并且该约束分为了固定点远程运动中心约束和可移动远程运动中心约束，两者的区别在于机械臂插入患者身体的连杆上的远程运动中心是否可以随机械臂连杆移动。

[0124] 本发明旨在解决柔性外科内窥镜机械臂在物理和远程运动中心约束下的视觉伺服控制问题。自动化控制内窥镜方法一般是使用从内窥镜摄像机的视觉信息来形成控制系统，本发明的柔性外科内窥镜机械臂设计为自动跟踪感兴趣的目标物体，让外科医生从在图像平面上稳定目标物体的任务中解放出来。通常，柔性外科内窥镜机械臂的运动学模型可以通过以下公式表示：

[0125] f(θ(t))＝pa(t)    (1)

[0126] 其中，列向量 表示时刻内窥镜机械臂的个关节角(包括刚性结构机械臂和柔性结构内窥镜)的角度值，列向量 表示目标物体在内窥镜摄像头的2维视觉空间中的位置坐标， 是表示内窥镜机械臂的构形空间与目标物体在视觉空间位置的非线性映射。柔性外科内窥镜的视觉伺服问题是指通过视觉系统采集并处理图像，通过计算目标物体在图像中的位置来控制柔性外科内窥镜机械臂运动。根据给定的目标图像路径 求得所需要的关节角θ(t)，即：

[0127] θ(t)＝g(pd(t))    (2)

[0128] 从而使用求得θ(t)的来控制机械臂，使目标对象在内窥镜摄像头图像中的位置能够按照目标图像路径pd(t)运动，即促使目标在内窥镜摄像头中图像的实际位置趋向于目标位置pd(t)。由于运动学映射f(·)是非线性的，所以难以通过数学推导的方式直接求g(·)的数学表达式。

[0129] 已有的视觉伺服方法通常是将机械臂的控制问题转化到速度层来解决。将公式(1)的两边同时对时间求导数，可以得到

[0130]

[0131] 其中 表示整体雅可比矩阵， 表示图像雅可比矩阵， 表示机械臂的雅可比矩阵，列向量 表示机械臂关节转动速
度， 表示目标物体在视觉空间上的运动速度。现有技术通常引入了物理约束(机械臂关节的活动范围和关节速度界限限制)。因此机械臂的视觉伺服控制问题可以由以下二次规划问题描述：

[0132]

[0133]

[0134] θmin≤θ≤θmax    (5)

[0135]

[0136] 其中 为pd(t)的一阶时间导数，即目标物体在视觉空间上的运动速度，表示列向量 的转置。现有技术中，利用循环神经网络对上述二次规划问题进行求解。将带约束的视觉伺服问题转化为二次规划问题的思路衍生出了各种类型的基于神经网络的控制方法，还有提出了一种用于具有物理约束的内窥镜机械臂视觉伺服控制的循环神经网络；以及提出了有限时间收敛的循环神经网络用于具有物理和远程运动中心约束的内窥镜机械臂的视觉伺服控制方法，其中远程运动中心约束分为固定点远程运动中心约束和可移动远程运动中心约束。

[0137] 现有技术大多数的内窥镜控制方法，并没有将远程运动中心约束考虑到视觉伺服的控制中，即使有方法考虑了远程运动中心约束，但均存在的缺点是需要准确知道机械臂模型信息(如连杆长度)，从而计算机械臂的雅可比矩阵，但是存在各种不确定因素影响模型信息的准确性以及对于柔性结构内窥镜而言，计算准确的雅可比矩阵是十分困难的。

[0138] 针对现有技术存在的问题，本发明拟解决的问题是，设计一种可靠、高效和精确的自动化控制内窥镜机器人方案。

[0139] 液体状态机是模拟实现小脑运动控制功能的一种途径。如图2所示，基于液体状态机的小脑模型由输入层、液体层和读出层组成。

[0140] 输入层：输入层分为m个输入子层，分别对应m个驱动信号。每个子层有l个输入神经元，采用one‑hot编码方式。设定m个关节角度的变化范围(即关节角度的物理约束)后，将该变化范围l等分，每次都将距离输入关节角度最近的神经元激活，故每次输入层神经元只有m个神经元被激活。

[0141] 液体层：液体层结构上属于循环神经网络，分为m个液体子层，每个液体子层有q个神经元，接收来之对应的输入子层的激活脉脉冲。不同于传统的循环神经网络，液体层的神经元采用Leaky Integrate‑and‑Fire(LIF)神经元模型，分为兴奋性和抑制性神经元两种，神经元之间的连接突触采用短时可塑性(Short‑Term Plasticity，STP)调整突触重量。两个液体层神经元之间是否连接取决于它们神经元的类型和之间的距离，具体公式为：

[0142]

[0143] 其中，D(a,b)表示液体层神经元a与神经元b之间的距离，lamd为常数，C取决于两个神经元的类型(excitatory‑E or inhibitory‑I):0.3(E‑E)，0.2(E‑I)，0.4(I‑E)和0.1(I‑I)。液体层神经元的电压大于阀电位(Membrane Threshold)时便会发出脉冲，当前时刻的脉冲情况保存在 向量中，W[i]＝0表示第i个输入层神经元当前时刻未发出脉冲，W[i]＝1表示第i个输入层神经元此时发出脉冲。

[0144] 输入层与液体层的连接方式为：第i个输入子层的每个输入神经元与第i个液体子层中的所有兴奋性神经元全连接；而输入层神经元a和液体层神经元b的突触重量由高斯分布确定如公式(7)，即越靠近输入子层中间的输入神经元所建立的突触重量越大：

[0145]

[0146] 液体层LIF神经元模型表现为一个电容‑电阻电路，能够产生脉冲(动作电位)，并在不应期内保持放电，不会发送脉冲。在不应期结束后，神经元电压会被设置为[13.5,14.5]mV区间上的随机数。该神经元模型可以用一组微分方程表示(公式8、9和10)。其中cm是膜电容(单位：法拉)，τm是膜时间常量(单位：秒)，τsyne和τsyni分别是兴奋性和抑制性突触电流的衰减时间(单位：秒)，vrest是膜静息电位(单位：伏特),ioffset是固定噪声电流(单位：
安)，inoise是可变噪声电流(单位：安)。ioffset和inoise的不同在于前者是用于创建一组不同的神经元，后者则可以视为是电路中的热噪声.

[0147]

[0148]

[0149]

[0150] 液体层神经元突触重量的短时可塑性计算公式为公式(11)，其中公式(11)中的参数如

[0151] 表1(短时可塑性的参数列表)所示：

[0152]

[0153]

[0154] i＝i+wux    (11)

[0155] x＝x(1‑u)

[0156] u＝u+U(1‑u)

[0157] 表1

[0158] 参数 EE EI IE II 单位w 70 150 ‑47 ‑47 nA
U 1.1 0.125 0.7 0.144 ms
τd 0.05 1.2 0.02 0.06 ms
τf 0.5 0.05 0.25 0.32 ‑

[0159] 读出层：读出层神经元有m个，输出计算的下一时刻驱动信号速度 Wout的计算方式如公式(12)所示。液体层神经元与读出层神经元全连接，即有m*q*m个液体层‑读出层突触(称为读出层参数 ),读出层参数通常采用一般的线性回归方式计算，也是液体状态机中唯一需要训练的参数。但以往大多数训练方式是采取离线训练，先用已有的训练集对读出层参数训练，再应用到测试集中(在测试集测试时读出层参数不变)。而本发明采用的是在线训练的方式，读出层参数是利用模型运行得到的数据采用线性回归的方式得到。具体的训练方法是：在第i时刻，选取前k个时刻(即第i‑k,i‑k+1,…,i‑1时刻)液体层发出的脉冲状态向量W和期望的驱动信号速度，用于读出层参数的线性回归训练，并将得到的读出层参数用于第i时刻的模型输出。

[0160] Wout＝W*Wreadout    (12)

[0161] 需要说明的是，本发明在液体状态机小脑模型中液体层神经元之间的突触权重可以设置成常量，也可以使用其他学习规制，如长时程增强和长时程抑制。

[0162] 参照图3，是本发明所提出的用于内窥镜机械臂的小脑控制方案的示意图。控制系统的输入为用户定义的物体在图像中的期望位置,控制系统的输出为可用于控制内窥镜机械臂运动的关节角速度。整个系统的运作流程图如图4所示，其中包含以下步骤：

[0163] A、初始化内窥镜机械臂关节角θ(0)、小脑模型以及相关的参数，相关的参数包括视觉伺服任务的运动时间T、采样时间间隔dt、小脑模型规模(输入子层和液体子层包含的神经元个数)等，此外还需要输入用户定义的物体在图像中的期望位置pd(在本发明中期望位置为定值，一般为图像中心)以及内窥镜机械臂的雅可比矩阵初值。

[0164] B、拼接当前时刻关节角度θ(n)组成驱动信号x(n)作为小脑模型的输入，运行小脑模型，输出Wout。

[0165] C、使用小脑模型的输出Wout，通过物理约束限制得到 计算得到 并使用该速度控制机械臂运动。

[0166] D、完成步骤C之后，由于整体雅可比矩阵的结构特殊，所以本方案将分为两个部分对整体雅可比矩阵进行估计。根据摄像头分析物体实际位置pa(n)，计算速度 和加速度 利用零化神经网络估计内窥镜机械臂与物体图像位置相关的雅可比矩阵Jsystem(n)。

[0167] E、利用传感器测量远程运动中心点的位置rrcm(n)、速度 和加速度利用另一个零化神经网络估计内窥镜机械臂与远程运动中心点位置相关的雅可比矩阵Jrcm(n)。最终将步骤D的Jsystem(n)和Jrcm(n)拼接得到整体雅可比矩阵J。

[0168] F、使用步骤E得到的雅可比J，求解具有远程运动中心约束的逆运动学问题，求得计算期望的驱动信号速度 然后更新小脑模型输出层权重。

[0169] 完成步骤A之后，重复执行步骤B、C、D和E、F，直至运动时间结束完成整个视觉伺服控制任务。

[0170] 下面以具体的实施例详细说明本发明的技术方案，应当理解的是，本实施例仅用于证明本发明技术方案的可行性，并不能看作对发明的限定。

[0171] A、以一个9自由度内窥镜机械臂(其中6自由度刚性结构机械臂和3自由度柔性结构内窥镜)为例，给定机械臂的初始关节角度为 (弧度)，对小脑模型进行初始化，其中输入子层的输入神经元个数为50(l＝50)，液体子层的神经元个数为100(q＝100)。液体层的神经元类型按照概率随机确定，80％被选择为兴奋性神经元，20％被选择为抑制性神经元，按照公式8、9、10创建神经元，并且兴奋性神经元与输入层神经元全连接。液体层神经元之间按照公式(6)计算连接概率随机创建突触。公式6、7、8、9、
10中的相关参数设置为：lamd＝1.2,gainw＝70,lamdw＝3，Cm＝30nF，τm＝30ms，inoise＝0nA，τsyne＝3ms，τsyne＝6ms，ioffest由正态分布函数在[13.5,14.5]中选取。视觉伺服控制时间设置为T＝2秒，时间采样间隔为td＝0.002秒，目标物体在图像中的期望位置pd(t)＝[0.5,
0.5]设为定值，表示位于图像正中心。最后将内窥镜机械臂初次插入点保存为

[0172] B、完成步骤A中的初始化后，拼接第n个时刻内窥镜机械臂的关节角度θ(n)成x(n)，作为小脑模型的输入，读出层输出满足相关远程运动中心约束的Wout。

[0173] C、使用小脑模型的输出Wout，通过物理约束限制得到 计算得到 并使用该速度控制机械臂运动。

[0174] D、完成步骤C之后，根据摄像头分析物体实际位置pa(n)，计算速度 和加速度利用零化神经网络估计内窥镜机械臂与物体图像位置相关的雅可比矩阵Jsystem(n)。

[0175] E、利用传感器测量远程运动中心点的位置rrcm(n)、速度 和加速度利用另一个零化神经网络估计内窥镜机械臂与远程运动中心点位置相关的雅可比矩阵Jrcm(n)。最终将步骤D的Jsystem(n)和Jrcm(n)拼接得到整体雅可比矩阵J。

[0176] F、使用步骤E得到的雅可比J，求解具有远程运动中心约束的逆运动学问题，求得计算期望的驱动信号速度 然后更新小脑模型输出层权重。

[0177] 需要说明的是，具体地：

[0178] 对于步骤A：

[0179] A1：选择使用固定点远程运动中心约束还是可移动远程运动中心约束。

[0180] A2：若为固定点远程运动中心约束，小脑模型的输入驱动信号即是内窥镜机械臂的关节角度(m＝9)。本方案中的J与方法[3]中相同，可表示为公式(13)，其中估计刚性结构机械臂的整体雅可比矩阵(包含对图像雅可比矩阵的估计)，
估计柔性结构内窥镜的整体雅可比矩阵， 估计刚性结构机械臂
关于远程运动中心点的雅可比矩阵，用于远程运动中心点约束， 估计柔性结构内窥镜关于远程运动中心点的雅可比矩阵，由于柔性结构内窥镜的关节运动不影响远程运动中心点，故将该雅可比矩阵设为0。设矩阵

[0181]

[0182] 内窥镜机械臂雅可比矩阵J初值为：

[0183]

[0184]

[0185]

[0186]

[0187] 其中，参数β＝0.8用于计算固定的远程运动中心位置，如公式(14)所示：

[0188] prcm(t)＝p5(t)*(1‑β)+p6(t)*β    (14)

[0189] 内窥镜机械臂的关节角度范围上界θ+(弧度)为：

[0190] θ+＝[2.8,2,2.4,4.7,1.8,4.7,1.3,1.3,1.3]

[0191] 关节角度范围下界θ‑＝‑θ+(弧度)。内窥镜机械臂的关节速度上界 (弧度/秒)为：

[0192]

[0193] 关节速度下界 (弧度/秒)。

[0194] 读出层参数 Wreadout初值为

[0195]

[0196] A3：若为可移动远程运动中心约束，由于远程运动中心点是可移动的，所以参数β(t)此时是可变参数,β(0)＝0.8,m＝10。方案中的雅可比矩阵J更改为公式(15)，其中TJsystem_β＝[0  0] ， 估计参数β关于远程中心点的雅可比矩阵。设矩阵

[0197]

[0198] 其中，Jsystem_a、Jsystem_c、Jrcm_和Jrcm_的初值与固定远程运动中心约束的初值相同，Jrcm_的初值为

[0199]

[0200] 矩阵Jsystem_β为

[0201]

[0202] 因为参数β(t)是可变参数，也有相应的范围限制和速度限制：

[0203]

[0204] 读出层参数 Wreadout初值为

[0205]

[0206] A4：对于固定点远程运动中心约束，驱动信号初值为 驱动信号的变化范围上界为 变化范围下界为 速度上界 速度
下界

[0207] 对于可移动远程运动中心约束，驱动信号初值为 驱动信号的变化范围上界为 变化范围下界为 速度上界
速度下界

[0208] 对于步骤B：

[0209] B1：若为固定点远程运动中心约束，第n时刻的驱动信号为刺激相应输入层神经元发出脉冲，从而让液体层神经
元受到刺激超过阀电压时发出脉冲，记录脉冲情况 利用公式(12)计算读出层输出

[0210] B 2 ：若 为 固 定点 远 程 运动 中 心 约束 ，第 n时 刻 的 驱动 信 号 为刺激相应输入层神经元发出脉冲，从而让液体层神经元受到刺激超过阀电压时发出脉冲，记录脉冲情况 利用公式(12)计算读出层输出

[0211] 对于步骤C:

[0212] C1：若为固定点远程运动中心约束，设当前时刻驱动信号实际的速度上下界驱动信号x的物理约束条件为：

[0213]

[0214]

[0215] 将两个物理约束条件可重写为：

[0216]

[0217] 其中， 按照公式(18)计算当前时刻驱动信号实际的速度上下界

[0218]

[0219]

[0220] 折 扣 因 子γ按 照图 5所 示 流 程 计 算 ，以 求 出 符 合 物 理 约 束的使用 作为关节运动速度控制内窥镜机械臂的运动。

[0221] C2：若为可移动远程运动中心约束，同样按照公式(18)计算当前时刻驱动信号
实际的速度上下界 折扣因子γ按照图6所示流程计算，以求出符合物
理约束的 使用 作为关节运动速度
控制内窥镜机械臂的运动,更新参数

[0222] 对于步骤D，参照图7：

[0223] D1：首先定义公式(19)所示的一个向量值的误差函数。

[0224]

[0225] 其中 表示选取向量 前9个元素。

[0226] D2：采用公式(20)所示的零化神经网络模型。

[0227]

[0228] 其中 表示e(n)的时间导数，常数 是零化神经网络模型的设计参数。

[0229] D3：将D1中定义的误差函数(19)代入零化神经网络模型(20)中，得到公式(21)所示的微分方程。

[0230]

[0231] 其中 表示雅可比矩阵Jsystem的时间导数， 表示 的时间导数，即驱动信号的加速度， 表示选取向量 前9个元素。

[0232] D4：通过对微分方程(21)进行变换得到关于雅可比矩阵的微分方程(22)。

[0233]

[0234] 其中 表示向量 的伪逆, 表示选取行向量 前9个元素。

[0235] D5：根据步骤A中给定的初值J(0)、步骤D中传感器反馈信息得到的 以及步骤B中的驱动信息 在计算机设备中求解微分方程微分方程(22)即可得到估
算的雅可比矩阵Jsystem(n)。

[0236] 对于步骤E，参照图8:

[0237] E1：若为固定点远程运动中心约束，定义公式(23)所示的向量值：

[0238]

[0239] 若为可移动远程运动中心约束，定义公式(24)所示的向量值：

[0240]

[0241] 定义公式(25)所示的向量值误差函数：

[0242]

[0243] E2：采用公式(26)所示的零化神经网络模型。

[0244]

[0245] 其中 表示ξ(n)的时间导数，常数ι＝0.5是零化神经网络模型的设计参数。

[0246] E3：将E1中定义的误差函数(25)带入零化神经网络模型(26)中，得到公式(27)所示的微分方程。

[0247]

[0248] 其中 表示雅可比矩阵Jrcm(n)的时间导数。

[0249] E4：通过对微分方程(27)进行变换得到关于雅可比矩阵的微分方程(28)。

[0250]

[0251] 其中 表示向量 的伪逆。

[0252] E5：根据步骤A中给定的初值J(0)、步骤D中传感器反馈信息得到的以及步骤B中的驱动信息 在计算机设备中求解微分方程微分
方程(28)即可得到估算的雅可比矩阵Jrcm(n)。

[0253] E6：若为固定点远程运动中心约束，将D5得到的Jsystem(n)和E5得到的Jrcm(n)按照公式(29)拼接成雅可比矩阵J(n)，并且将其用于步骤F中逆运动学的求解。

[0254]

[0255] 若为可移动远程运动中心约束，将E5得到的Jrcm(n)分解按定义分解成Jrcm_a(n)和Jrcm_β(n)，按照公式(30)拼接成雅可比矩阵J(n)，并且将其用于步骤F中逆运动学的求解。

[0256]

[0257] 对于步骤F：

[0258] F1：首先定义公式(31)所示的期望误差向量值。

[0259]

[0260] 根据公式(32)，利用E6得到J(n)，求解期望的驱动信号速度。

[0261]

[0262] 其中， 为J(n)的伪逆，

[0263] F2：本发明使用线性回归(最小二乘法)公式(33)对小脑模型读出层输出权重训练。

[0264]

[0265] 其中矩阵X由前Tsample＝3时刻的脉冲情况W组成，Y由前Tsample时刻F1计算得到的组成。若为固定点远程运动中心约束， 和若为固定点远程运动中心约束，
和 在计算机设
备中求得Wreadout即可用于下一时刻小脑模型读出层的计算中。

[0266] 基于以上技术方案，控制内窥镜机械臂完成具有物理和远程运动中心约束的柔性外科内窥镜视觉伺服控制任务。如图9和10所示，本方案提出的小脑模型控制柔性外科内窥镜能够在物理约束和固定点远程运动中心约束条件下快速地完成视觉伺服任务，并且保持较低的远程运动中心点移动偏差，能够较好地较低对患者身体的损伤。如图11和12所示，在可移动远程运动中心约束条件下，小脑模型依然能够很好地完成视觉伺服任务，且有较低的远程运动中心点移动偏差。

[0267] 综上所述，相较于现有技术，本发明具有以下突出的优点：

[0268] 本发明受到生物机制的启发为柔性外科内窥镜机械臂设计一种基于小脑模型的控制方案，不需要知道机械臂模型信息和计算图像雅可比矩阵，并将物理约束和远程运动中心约束都考虑进了控制方法中。方案基于脉冲神经网络，具有一定的生物可行性，并且相较于第二代人工神经网络，脉冲神经元之间具有的脉冲通信方式和动力学特征赋予其超低功耗计算和时序任务处理的潜力。因此本发明在一定程度上弥补了现有技术的不足和研究领域的空缺。从基于小脑模型的控制方案的实施例可以看出，在固定远程运动中心约束或可移动远程运动中心约束条件下，控制方案都可以在机械臂和内窥镜的数学模型和运动学参数未知的情况下以较高精度完成视觉伺服任务，并且能应对各种不确定因素给模型带来的干扰，具有较强的鲁棒性。

[0269] 以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。