論文の概要: Autonomous Soft Tissue Retraction Using Demonstration-Guided
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2309.00837v1
- Date: Sat, 2 Sep 2023 06:13:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 00:57:42.709684
- Title: Autonomous Soft Tissue Retraction Using Demonstration-Guided
Reinforcement Learning
- Title(参考訳): デモンストレーション誘導強化学習による自律的軟部組織引き抜き
- Authors: Amritpal Singh, Wenqi Shi, May D Wang
- Abstract要約: 既存の外科的課題学習は、主に剛体相互作用に関係している。
より高度な手術ロボットへの進歩は、軟体手術を必要とする。
この研究は、硬組織と軟組織の両方の相互作用を管理することができる外科用ロボットの開発と改良に関する将来の研究の基礎を築いた。
- 参考スコア(独自算出の注目度): 6.80186731352488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the context of surgery, robots can provide substantial assistance by
performing small, repetitive tasks such as suturing, needle exchange, and
tissue retraction, thereby enabling surgeons to concentrate on more complex
aspects of the procedure. However, existing surgical task learning mainly
pertains to rigid body interactions, whereas the advancement towards more
sophisticated surgical robots necessitates the manipulation of soft bodies.
Previous work focused on tissue phantoms for soft tissue task learning, which
can be expensive and can be an entry barrier to research. Simulation
environments present a safe and efficient way to learn surgical tasks before
their application to actual tissue. In this study, we create a Robot Operating
System (ROS)-compatible physics simulation environment with support for both
rigid and soft body interactions within surgical tasks. Furthermore, we
investigate the soft tissue interactions facilitated by the patient-side
manipulator of the DaVinci surgical robot. Leveraging the pybullet physics
engine, we simulate kinematics and establish anchor points to guide the robotic
arm when manipulating soft tissue. Using demonstration-guided reinforcement
learning (RL) algorithms, we investigate their performance in comparison to
traditional reinforcement learning algorithms. Our in silico trials demonstrate
a proof-of-concept for autonomous surgical soft tissue retraction. The results
corroborate the feasibility of learning soft body manipulation through the
application of reinforcement learning agents. This work lays the foundation for
future research into the development and refinement of surgical robots capable
of managing both rigid and soft tissue interactions. Code is available at
https://github.com/amritpal-001/tissue_retract.
- Abstract(参考訳): 手術の文脈では、ロボットは縫合、針交換、組織引き込みなどの小さな反復的な作業を行うことで実質的な支援を行うことができ、手術のより複雑な側面に集中することができる。
しかし、既存の外科的課題学習は主に剛体相互作用に関連するが、より高度な外科的ロボットへの進歩は軟体操作を必要とする。
従来の研究は軟組織タスク学習のための組織ファントムに重点を置いていた。
シミュレーション環境は、実際の組織に適用する前に外科的タスクを学習するための安全で効率的な方法を提供する。
本研究では,ロボットオペレーティング・システム(ROS)互換の物理シミュレーション環境を構築し,手術作業における剛体・軟体双方の相互作用を支援する。
さらに,DaVinci手術ロボットの患者側マニピュレータによる軟部組織相互作用について検討した。
ピブルレット物理エンジンを応用し、運動学をシミュレートし、軟組織を操作する際にロボットアームを案内するアンカーポイントを確立する。
実証誘導強化学習(RL)アルゴリズムを用いて,従来の強化学習アルゴリズムと比較して,その性能について検討する。
われわれの in silico 試験は、自律的な外科的軟部組織引き抜きのための概念実証を実証する。
その結果,強化学習剤の応用により,ソフトボディ操作の学習の可能性が高まった。
この研究は、剛組織と軟組織の両方の相互作用を管理できる手術ロボットの開発と洗練に関する将来の研究の基礎を築いている。
コードはhttps://github.com/amritpal-001/tissue_retractで入手できる。
関連論文リスト
- DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳(メタデータ) (2023-11-28T18:58:48Z) - Surgical Gym: A high-performance GPU-based platform for reinforcement
learning with surgical robots [1.6415802723978308]
手術ロボット学習のためのオープンソースの高性能プラットフォームである手術用Gymを紹介する。
従来の外科的学習プラットフォームと比較して,100~5000倍の訓練時間を短縮した。
論文 参考訳(メタデータ) (2023-10-07T03:21:58Z) - Surgical tool classification and localization: results and methods from
the MICCAI 2022 SurgToolLoc challenge [69.91670788430162]
SurgLoc 2022 チャレンジの結果を示す。
目標は、ツール検出のためにトレーニングされた機械学習モデルにおいて、ツールの存在データを弱いラベルとして活用することだった。
これらの結果を機械学習と手術データ科学の幅広い文脈で論じることで結論付ける。
論文 参考訳(メタデータ) (2023-05-11T21:44:39Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳(メタデータ) (2023-04-30T22:51:31Z) - 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) - SurRoL: An Open-source Reinforcement Learning Centered and dVRK
Compatible Platform for Surgical Robot Learning [78.76052604441519]
SurRoLは、ダ・ヴィンチ・リサーチキット(dVRK)と互換性のある外科ロボット学習のためのRL中心のシミュレーションプラットフォームである。
プラットフォームには10の学習ベースの外科的タスクが構築されており、実際の自律的な外科的実行に共通している。
シミュレーションにおいてRLアルゴリズムを用いてSurRoLの評価を行い、奥行き分析を行い、実際のdVRKにトレーニングされたポリシーをデプロイし、実世界でより優れた転送性を実現することを示す。
論文 参考訳(メタデータ) (2021-08-30T07:43:47Z) - Learning needle insertion from sample task executions [0.0]
ロボット手術のデータを簡単に記録でき、収集したデータを使ってタスクモデルを学ぶことができる。
3対のステレオカメラで記録された60の治験を含む針挿入データセットを提案する。
また,tの次段階におけるロボットの望ましい状態を予測する実験から,深部ロボット学習を提案する。
論文 参考訳(メタデータ) (2021-03-14T14:23:17Z) - Synthetic and Real Inputs for Tool Segmentation in Robotic Surgery [10.562627972607892]
腹腔鏡画像と組み合わせたロボットキネマティックデータを用いてラベル付け問題を緩和できる可能性が示唆された。
腹腔鏡画像とシミュレーション画像の並列処理のための新しい深層学習モデルを提案する。
論文 参考訳(メタデータ) (2020-07-17T16:33:33Z) - Recurrent and Spiking Modeling of Sparse Surgical Kinematics [0.8458020117487898]
ますます多くの研究が、手術ロボットが捉えたビデオやキネマティックなデータを機械学習で分析している。
本研究では,同様のスキルレベルの外科医を予測するために,キネマティックデータのみを用いることの可能性を検討する。
本報告では, 運動特性のみに基づいて, シミュレーションエクササイズにおいて, ほぼ完全スコアの手術者を特定することが可能である。
論文 参考訳(メタデータ) (2020-05-12T15:41:45Z) - SuPer Deep: A Surgical Perception Framework for Robotic Tissue
Manipulation using Deep Learning for Feature Extraction [25.865648975312407]
深層学習を外科的知覚に活用する。
我々は,効率的な特徴抽出が可能なディープニューラルネットワークを組織再構成と機器のポーズ推定プロセスに統合した。
本フレームワークは, 深層学習を特徴抽出に用いることにより, 手術環境における最先端の追跡性能を実現する。
論文 参考訳(メタデータ) (2020-03-07T00:08:30Z) - Automatic Gesture Recognition in Robot-assisted Surgery with
Reinforcement Learning and Tree Search [63.07088785532908]
共同手術におけるジェスチャー分割と分類のための強化学習と木探索に基づく枠組みを提案する。
我々のフレームワークは,JIGSAWSデータセットのサチューリングタスクにおいて,精度,編集スコア,F1スコアの点で,既存の手法よりも一貫して優れています。
論文 参考訳(メタデータ) (2020-02-20T13:12:38Z)
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。