摘要:针对光纤布拉格光栅(Fiber Bragg Gating,FBG)形状传感中因传统积分递推导致的末端误差累积问题,本文提出了一种基于视觉标定与双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)及随机森林(Random Forest,RF)的末端误差补偿方法。该方法以视觉图像处理与中心骨架提取技术获取的形变坐标为基准,利用BiLSTM网络对沿光纤轴向应变序列进行双向建模,提取光栅节点间的空间相关性及轴向误差传递特征。然后,结合随机森林的非线性回归与抗噪能力,建立原始应变数据到末端位置偏差之间的精确映射模型,对传统Frenet-Serret几何重构的末端位置进行了非线性补偿与修正。实验结果表明,该方法有效克服了递推过程中的误差累积效应,将传统Frenet标架法的均方根误差(RMSE)和平均绝对误差(MAE)分别由1.585 mm和1.549 mm降低至0.172 mm和0.097 mm,显著提升了传感器的末端定位精度。