論文の概要: Autonomous Robotic Drilling System for Mice Cranial Window Creation: An
Evaluation with an Egg Model
- arxiv url: http://arxiv.org/abs/2303.12265v1
- Date: Wed, 22 Mar 2023 02:18:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 15:37:28.874930
- Title: Autonomous Robotic Drilling System for Mice Cranial Window Creation: An
Evaluation with an Egg Model
- Title(参考訳): マウス頭蓋窓作成のための自律型ロボットドリルシステム:卵モデルによる評価
- Authors: Enduo Zhao and Murilo M. Marinho and Kanako Harada
- Abstract要約: 生命科学における実験的な標本は、個々の変動と変形の影響を受ける。
マウスの頭蓋骨が各手術で同じ位置にあることを確実にすることは困難である。
提案手法は,掘削軌道計画と画像に基づくタスク完了レベル認識からなる。
- 参考スコア(独自算出の注目度): 5.331436239493893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic assistance for experimental manipulation in the life sciences is
expected to enable precise manipulation of valuable samples, regardless of the
skill of the scientist. Experimental specimens in the life sciences are subject
to individual variability and deformation, and therefore require autonomous
robotic control. As an example, we are studying the installation of a cranial
window in a mouse. This operation requires the removal of the skull, which is
approximately 300 um thick, to cut it into a circular shape 8 mm in diameter,
but the shape of the mouse skull varies depending on the strain of mouse, sex
and week of age. The thickness of the skull is not uniform, with some areas
being thin and others thicker. It is also difficult to ensure that the skulls
of the mice are kept in the same position for each operation. It is not
realistically possible to measure all these features and pre-program a robotic
trajectory for individual mice. The paper therefore proposes an autonomous
robotic drilling method. The proposed method consists of drilling trajectory
planning and image-based task completion level recognition. The trajectory
planning adjusts the z-position of the drill according to the task completion
level at each discrete point, and forms the 3D drilling path via constrained
cubic spline interpolation while avoiding overshoot. The task completion level
recognition uses a DSSD-inspired deep learning model to estimate the task
completion level of each discrete point. Since an egg has similar
characteristics to a mouse skull in terms of shape, thickness and mechanical
properties, removing the egg shell without damaging the membrane underneath was
chosen as the simulation task. The proposed method was evaluated using a 6-DOF
robotic arm holding a drill and achieved a success rate of 80% out of 20
trials.
- Abstract(参考訳): 生命科学における実験操作のためのロボット支援は、科学者のスキルに関係なく、貴重なサンプルの正確な操作を可能にすることが期待されている。
生命科学の実験的な標本は個々の変動と変形の対象となるため、自律的なロボット制御が必要である。
一例として,マウスの頭蓋窓の設置について検討している。
この手術では、厚さ約300mの頭蓋骨を直径8mmの円形に切断する必要があるが、マウスの頭蓋骨の形状は、マウス、性別、週の歪みによって異なる。
頭蓋骨の厚さは均一ではなく、一部の領域は薄く、他の領域は厚くなっている。
また、マウスの頭蓋骨が操作毎に同じ位置に保持されることを保証することも困難である。
これらの特徴をすべて測定し、個々のマウスに対してロボット軌道を事前にプログラムすることは現実的には不可能である。
そこで本稿では,自律型ロボット掘削法を提案する。
提案手法は,掘削軌道計画と画像に基づくタスク完了レベル認識からなる。
軌道計画では、各離散点におけるタスク完了レベルに応じてドリルのz位置を調整し、オーバーシュートを避けながら拘束された立方体スプライン補間を介して3次元ドリルパスを形成する。
タスク完了レベル認識は、DSSDにインスパイアされたディープラーニングモデルを使用して、各離散点のタスク完了レベルを推定する。
卵は、形状、厚み、機械的特性の点でマウス頭蓋骨と類似する特性を有するため、卵殻を損傷することなく除去することがシミュレーションタスクとして選択された。
提案手法はドリルを装着した6-DOFロボットアームを用いて評価し,20回中80%の成功率を達成した。
関連論文リスト
- simPLE: a visuotactile method learned in simulation to precisely pick,
localize, regrasp, and place objects [16.178331266949293]
本稿では,精密かつ汎用的なピック・アンド・プレイスの解法について検討する。
正確なピック・アンド・プレイスの解法としてシミュレートを提案する。
SimPLEは、オブジェクトCADモデルのみを前提に、オブジェクトの選択、再彫刻、配置を正確に学習する。
論文 参考訳(メタデータ) (2023-07-24T21:22:58Z) - Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳(メタデータ) (2023-01-17T21:41:21Z) - Semi-autonomous Prosthesis Control Using Minimal Depth Information and
Vibrotactile Feedback [2.0051855303186046]
最小限のデータを用いて対象オブジェクトの形状を再構成する新しい手法を提案する。
4つのコンカレントレーザースキャナラインは、オブジェクト断面の部分的な輪郭を提供する。
単純な幾何学は球形、円筒形、立方体の次元と向きを再構成するために用いられる。
論文 参考訳(メタデータ) (2022-10-02T14:51:58Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳(メタデータ) (2022-08-17T14:19:33Z) - DiSECt: A Differentiable Simulator for Parameter Inference and Control
in Robotic Cutting [71.50844437057555]
軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。
シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。
このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
論文 参考訳(メタデータ) (2022-03-19T07:27:19Z) - Synergies Between Affordance and Geometry: 6-DoF Grasp Detection via
Implicit Representations [20.155920256334706]
本研究では,3次元再構築と把持学習が密接な関係にあることを示す。
共有表現のマルチタスク学習を通じて,把握能力と3次元再構築のシナジーを活用することを提案する。
本手法は,成功率の把握において,ベースラインを10%以上上回っている。
論文 参考訳(メタデータ) (2021-04-04T05:46:37Z) - AcinoSet: A 3D Pose Estimation Dataset and Baseline Models for Cheetahs
in the Wild [51.35013619649463]
我々はAcinoSetと呼ばれる野生のフリーランニングチーターの広範なデータセットを提示する。
データセットには、119,490フレームのマルチビュー同期高速ビデオ映像、カメラキャリブレーションファイル、7,588フレームが含まれている。
また、結果の3D軌道、人間チェックされた3D地上真実、およびデータを検査するインタラクティブツールも提供される。
論文 参考訳(メタデータ) (2021-03-24T15:54:11Z) - Learning to Shift Attention for Motion Generation [55.61994201686024]
ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。
以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。
この問題を克服する外挿能力を有するモーション生成モデルを提案する。
論文 参考訳(メタデータ) (2021-02-24T09:07:52Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳(メタデータ) (2021-01-26T16:01:02Z) - Exploiting Ergonomic Priors in Human-to-Robot Task Transfer [3.60953887026184]
制約された動きデータからヌル空間ポリシーを学習するために,実演によるプログラミングに基づく手法を提案する。
本手法の有効性を3リンクシミュレーションと実世界実験で実証した。
シミュレーションされた3DoFロボットマニピュレータ制御問題において,この手法は最先端のアプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-03-01T18:30:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。