一种口腔种植机器人自进化姿态调整方法及系统与流程

技术特征：
1.一种口腔种植机器人自进化姿态调整方法，其特征在于，包括以下步骤：步骤s1：对病人设计的种植路径进行量化；步骤s2：求得与种植路径对应的刚度最大的最优机器人关节角度值，并形成训练集；步骤s3：建立神经网络结构学习设计种植路径和最优的机器人关节角度值之间的对应关系；步骤s4：将学习到的神经网络进行自进化。2.根据权利要求1所述的一种口腔种植机器人自进化姿态调整方法，其特征在于：所述步骤s1包括以下子步骤：步骤s1.1：收集整理已完成口腔种植患者病历，获取病人ct图像和设计的种植路径信息，确定种植路径在人体坐标系中的矢量关系应用向量表示v
d
＝(x
d
，y
d
，z
d
)；步骤s1.2：根据坐标系转换关系，将人体坐标系向机器人坐标系进行转换，获得转换矩阵并通过矩阵计算获得种植路径在机器人坐标系下的向量表示3.根据权利要求1所述的一种口腔种植机器人自进化姿态调整方法，其特征在于：所述步骤s2包括以下子步骤：步骤s2.1：将在机器人坐标系下表示的设计种植路径向量作为机器人目标姿态，建立优化目标：q
i
＝argmax(λ1，
…
，λ
n
)i＝(1，..n)其中q
i
为机器人关节变量，λ
i
为机器人刚度矩阵特征值，n为机器人关节变量总个数；步骤s2.2：上述优化目标的限定条件为在该关节角度调整的姿态下，钻头轴线和设计的种植路径轴线平行以及关节角度在关节角运动范围内，建立限定公式为：q
min
≤q
i
≤q
max
其中t(q
i
)为在该关节角度下机器人tcp中心坐标系相对于基座标系的旋转矩阵关系，为钻头轴线在机器人tcp中心坐标系下的矢量，q
min
为机器人关节可以达到的最小角度值，q
max
为机器人关节可以达到的最大角度值；步骤s2.3：将机器人关节角度进行离散化操作，以0.01单位进行离散，根据上述建立的优化方程对该种植路径下的最优关节角度进行求解，得到q
opt
；针对收集到的所有种植路径矢量，分别求解对应的最优角度；根据得到的解，建立种植路径矢量和最优关节角度对应关系并建立初始数据集。4.根据权利要求3所述的一种口腔种植机器人自进化姿态调整方法，其特征在于：所述步骤s3包括以下子步骤：步骤s3.1：将步骤s2.3中建立的初始数据集分为初始训练集和初始测试集，建立初始神经网络模型来对该映射关系进行学习，初始神经网络在初始训练集进行训练，通过初始测试集对初始神经网络进行测试，判断该初始神经网络是否有效；步骤s3.2：建立神经网络搜索空间；将神经元隐藏层个数、每个隐藏层含有的神经元个数以及学习率作为构建神经网络过程中可以变化的参数；在初始神经网络的基础上，构建n
个神经网络模型，分别在初始训练集中进行训练，然后在初始测试集中进行测试；根据在测试集上的表现，选出n个神经网络模型和初始神经网络架构表现最好的网络模型，应用于机器人系统中用于完成最优姿态的选取。5.根据权利要求1所述的一种口腔种植机器人自进化姿态调整方法，其特征在于：所述步骤s5包括以下子步骤：步骤s5.1：将机器人系统应用于后续的窝洞制备实验和手术操作中，并且用当前最优的神经网络模型来输出最优的关节角度；步骤s5.2：口腔种植机器人在进行窝洞制备的过程中，记录设计种植路径的目标姿态以及神经网络模型输出的关节角度值q
opt
；在实验或手术操作后，机器人系统通过优化方程针对记录的种植路径的目标姿态获得全局最优的关节角度值q
′
opt
；步骤s5.3：对比实验过程中由当前神经网络输出的q
opt
与通过优化方程计算得到的全局最优q
′
opt
，如果偏差||q
opt
‑
q
′
opt
||≥∈大于设定的阈值，则对神经网络进行重新训练；步骤s5.4：将实验记录的种植路径矢量和通过优化方程求得的最优关节角度值q
′
opt
作为关系对加入到已有的数据集中，并且将数据集分成扩增后训练集和扩增后测试集，在已经建立好的神经网络空间中进行搜索，构建n个神经网络模型，分别在扩增后的训练集中进行训练，然后在扩增后的测试集中进行测试，将n个神经网络模型中架构表现最好的网络模型作为当前最优的神经网络模型应用于机器人系统中，并且用于完成以后的窝洞制备实验或手术操作；步骤s5.5：在对以后的窝洞制备实验或手术操作过程中，不断通过||q
opt
‑
q
′
opt
||是否大于阈值来判断当前神经网络是否是最优的模型，从而对模型进行持续优化。6.一种口腔种植机器人自进化姿态调整系统，其特征在于，包括以下模块：模块m1：对病人设计的种植路径进行量化；模块m2：求得与种植路径对应的刚度最大的最优机器人关节角度值，并形成训练集；模块m3：建立神经网络结构学习设计种植路径和最优的机器人关节角度值之间的对应关系；模块m4：将学习到的神经网络进行自进化。7.根据权利要求6所述的一种口腔种植机器人自进化姿态调整系统，其特征在于：所述模块m1包括以下子模块：模块m1.1：收集整理已完成口腔种植患者病历，获取病人ct图像和设计的种植路径信息，确定种植路径在人体坐标系中的矢量关系应用向量表示v
d
＝(x
d
，y
d
，z
d
)；模块m1.2：根据坐标系转换关系，将人体坐标系向机器人坐标系进行转换，获得转换矩阵并通过矩阵计算获得种植路径在机器人坐标系下的向量表示8.根据权利要求6所述的一种口腔种植机器人自进化姿态调整系统，其特征在于：所述模块m2包括以下子模块：模块m2.1：将在机器人坐标系下表示的设计种植路径向量作为机器人目标姿态，建立优化目标：
q
i
＝argmax(λ1，
…
，λ
n
)i＝(1，..n)其中q
i
为机器人关节变量，λ
i
为机器人刚度矩阵特征值，n为机器人关节变量总个数；模块m2.2：上述优化目标的限定条件为在该关节角度调整的姿态下，钻头轴线和设计的种植路径轴线平行以及关节角度在关节角运动范围内，建立限定公式为：q
min
≤q
i
≤q
max
其中t(q
i
)为在该关节角度下机器人tcp中心坐标系相对于基座标系的旋转矩阵关系，为钻头轴线在机器人tcp中心坐标系下的矢量，q
min
为机器人关节可以达到的最小角度值，q
max
为机器人关节可以达到的最大角度值；模块m2.3：将机器人关节角度进行离散化操作，以0.01单位进行离散，根据上述建立的优化方程对该种植路径下的最优关节角度进行求解，得到q
opt
；针对收集到的所有种植路径矢量，分别求解对应的最优角度；根据得到的解，建立种植路径矢量和最优关节角度对应关系并建立初始数据集。9.根据权利要求8所述的一种口腔种植机器人自进化姿态调整系统，其特征在于：所述模块m3包括以下子模块：模块m3.1：将模块m2.3中建立的初始数据集分为初始训练集和初始测试集，建立初始神经网络模型来对该映射关系进行学习，初始神经网络在初始训练集进行训练，通过初始测试集对初始神经网络进行测试，判断该初始神经网络是否有效；模块m3.2：建立神经网络搜索空间；将神经元隐藏层个数、每个隐藏层含有的神经元个数以及学习率作为构建神经网络过程中可以变化的参数；在初始神经网络的基础上，构建n个神经网络模型，分别在初始训练集中进行训练，然后在初始测试集中进行测试；根据在测试集上的表现，选出n个神经网络模型和初始神经网络架构表现最好的网络模型，应用于机器人系统中用于完成最优姿态的选取。10.根据权利要求6所述的一种口腔种植机器人自进化姿态调整系统，其特征在于：所述模块m5包括以下子模块：模块m5.1：将机器人系统应用于后续的窝洞制备实验和手术操作中，并且用当前最优的神经网络模型来输出最优的关节角度；模块m5.2：口腔种植机器人在进行窝洞制备的过程中，记录设计种植路径的目标姿态以及神经网络模型输出的关节角度值q
opt
；在实验或手术操作后，机器人系统通过优化方程针对记录的种植路径的目标姿态获得全局最优的关节角度值q
′
opt
；模块m5.3：对比实验过程中由当前神经网络输出的q
opt
与通过优化方程计算得到的全局最优q
′
opt
，如果偏差||q
opt
‑
q
′
opt
||≥∈大于设定的阈值，则对神经网络进行重新训练；模块m5.4：将实验记录的种植路径矢量和通过优化方程求得的最优关节角度值q
′
opt
作为关系对加入到已有的数据集中，并且将数据集分成扩增后训练集和扩增后测试集，在已经建立好的神经网络空间中进行搜索，构建n个神经网络模型，分别在扩增后的训练集中进行训练，然后在扩增后的测试集中进行测试，将n个神经网络模型中架构表现最好的网络模型作为当前最优的神经网络模型应用于机器人系统中，并且用于完成以后的窝洞制备实验
或手术操作；模块m5.5：在对以后的窝洞制备实验或手术操作过程中，不断通过||q
opt
‑
q
′
opt
||是否大于阈值来判断当前神经网络是否是最优的模型，从而对模型进行持续优化。

技术总结
本发明提供了一种口腔种植机器人自进化姿态调整方法及系统，包括以下步骤：步骤S1：对病人设计的种植路径进行量化；步骤S2：求得与种植路径对应的刚度最大的最优机器人关节角度值，并形成训练集；步骤S3：建立神经网络结构学习设计种植路径和最优的机器人关节角度值之间的对应关系；步骤S4：将学习到的神经网络进行自进化。本发明根据机器人刚度来从多个符合要求的机器人姿态中快速找到最优的关节角度值，通过神经网络来对最优的关节角度值和设计种植路径矢量之间的映射关系进行学习，避免了直接通过优化类算法，保证了求得到的解的稳定性；通过不断更新神经网络结构来保证神经网络对设计种植路径矢量和最优关节角度值的映射。射。射。


技术研发人员：冯源 范佳程 陈敏 王石刚 梁庆华 莫锦秋
受保护的技术使用者：上海交通大学
技术研发日：2021.05.25
技术公布日：2021/9/27