本论文的背景产品是X射线数字减影医疗器械,是一款基于X射线曝光,通过实时成像,对血管进行介入手术的一款产品,其主要应用于心脑血管疾病、肺癌治疗栓塞术、心电除颤等,是血管介入治疗最为主要的医疗器械。实时控制系统,犹如人体大脑,是整个设备的核心功能,它实时监控并协调各个模组工作,其中的碰撞控制系统是必不可少的功能需求,它直影响医生手术操作体验。它的主要功能是实时检测系统相对空间位置的碰撞状态,设定系统的安全策略,以保证医生操作者的使用安全。传统的碰撞控制方法是使用复杂的静态数据加上复杂的运动学变换和空间几何距离运算得到系统实时的碰撞状态。传统方式对实体模型的依赖以及对硬件性能的高要求约束了系统的升级和发展。传统方式的复杂性也使且其改进的空间非常有限。本论文提出了一种基于机器学习的方法来实现对运动碰撞的控制。具体方法是以机器人各个轴数据和相关空间参数为特征维度,通过机器学习的分类方法建立学习模型,得出机器系统碰撞状态类别。同时结合实际应用中的运动逃离碰撞问题,根据机器运动中的碰撞特性,设计新的预测模型,将分类问题转变为逻辑回归问题,通过对最短距离的预测,来实现碰撞逃离策略。对于分类器的设计,论文提出了用BP神经网络和KNN聚类两种方法来进行实验对比分析。实验中还根据实际应用问题的综合分析来进行分类器的优化和调试,包括机器机械结构的校准差异问题、数据集多样性问题,空间位姿范围覆盖问题以及不同碰撞距离范围的设定对应用的不同意义和对分类结果影响的分析等。对于碰撞逃离预测的设计,论文通过遗传算法优化BP神经网络的初始权值和阈值来进行对比实验,找出最优的并适用于实际应用的网络设计。实验结果表明,本论文提出的方法,大大缩短了碰撞状态运算时间,且该方法简化了软件系统工程,提升了稳定性,保证了质量的同时也降低了维护成本。其长远的意义在于人工智能技术的发展给机器人技术应用带来了未来无限发展空间的可能,让人类医疗器械技术更进一步。