論文の概要: Improving the realism of robotic surgery simulation through injection of learning-based estimated errors

• arxiv url: http://arxiv.org/abs/2406.07375v1
• Date: Tue, 11 Jun 2024 15:41:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 15:15:04.855349
• Title: Improving the realism of robotic surgery simulation through injection of learning-based estimated errors
• Title（参考訳）: 学習に基づく推定誤差注入によるロボット手術シミュレーションの実現
• Authors: Juan Antonio Barragan, Hisashi Ishida, Adnan Munawar, Peter Kazanzides,
• Abstract要約: 現在のシミュレーターでは、ロボットは完璧またはほぼ完璧に正確であり、物理的に代表されるものではない。 本研究では,物理ロボットから収集したデータによってトレーニングされたニューラルネットワークのペアを提案し,制御誤差と運動的・非運動的誤差の両方を推定する。 これらの誤差推定はシミュレータ内で注入され、物理ロボットの特徴的性能を持つ模擬ロボットを生成する。
• 参考スコア（独自算出の注目度）: 4.53438565489294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The development of algorithms for automation of subtasks during robotic surgery can be accelerated by the availability of realistic simulation environments. In this work, we focus on one aspect of the realism of a surgical simulator, which is the positional accuracy of the robot. In current simulators, robots have perfect or near-perfect accuracy, which is not representative of their physical counterparts. We therefore propose a pair of neural networks, trained by data collected from a physical robot, to estimate both the controller error and the kinematic and non-kinematic error. These error estimates are then injected within the simulator to produce a simulated robot that has the characteristic performance of the physical robot. In this scenario, we believe it is sufficient for the estimated error used in the simulation to have a statistically similar distribution to the actual error of the physical robot. This is less stringent, and therefore more tenable, than the requirement for error compensation of a physical robot, where the estimated error should equal the actual error. Our results demonstrate that error injection reduces the mean position and orientation differences between the simulated and physical robots from 5.0 mm / 3.6 deg to 1.3 mm / 1.7 deg, respectively, which represents reductions by factors of 3.8 and 2.1.
• Abstract（参考訳）: ロボット手術におけるサブタスクの自動化のためのアルゴリズムの開発は、現実的なシミュレーション環境が利用できることで加速することができる。 本研究では,ロボットの位置精度である手術シミュレータの現実性に焦点をあてる。 現在のシミュレーターでは、ロボットは完璧またはほぼ完璧に正確であり、物理的に代表されるものではない。 そこで本研究では,物理ロボットから収集したデータによってトレーニングされたニューラルネットワークのペアを提案し,制御誤差と運動的・非運動的誤差の両方を推定する。 これらの誤差推定はシミュレータ内で注入され、物理ロボットの特徴的性能を持つ模擬ロボットを生成する。 このシナリオでは、シミュレーションで使用される推定誤差が、物理ロボットの実際の誤差と統計的に類似した分布を持つのに十分であると信じている。 これはより厳密であり、従って、推定誤差が実際のエラーと等しくなる物理ロボットのエラー補償の要件よりも、より安定である。 その結果, 誤差注入により, シミュレーションロボットと物理ロボットの平均位置と方向の差が5.0 mm/3.6 degから1.3 mm/1.7 degに減少し, それぞれ3.8と2.1の因子が減少することがわかった。

関連論文リスト

• DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
  DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。 言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。 実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
  論文  参考訳（メタデータ） (2024-05-12T15:38:17Z)
• Learning to navigate efficiently and precisely in real environments [14.52507964172957]
  Embodied AIの文献は、HabitatやAI-Thorといったシミュレータで訓練されたエンドツーエンドエージェントに焦点を当てている。 本研究では,sim2realのギャップを最小限に抑えたシミュレーションにおけるエージェントのエンドツーエンドトレーニングについて検討する。
  論文  参考訳（メタデータ） (2024-01-25T17:50:05Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• SIM2REALVIZ: Visualizing the Sim2Real Gap in Robot Ego-Pose Estimation [8.272193665645553]
  我々は,ロボットのエゴ位置推定タスクに対する,このギャップの理解と軽減を支援する視覚分析ツールSim2RealVizを紹介する。 Sim2RealVizは、与えられたモデルの詳細と、そのインスタンスのパフォーマンスをシミュレーションと現実世界の両方で表示する。
  論文  参考訳（メタデータ） (2021-09-24T08:17:33Z)
• Learning the Noise of Failure: Intelligent System Tests for Robots [1.713291434132985]
  ロボットの自動システムテストにおける故障検出のためのシミュレーションノイズ推定を提案する。 この技術は、人間が成功や失敗を評価することなく、実世界の自動テストを強化することができる。
  論文  参考訳（メタデータ） (2021-02-16T11:06:45Z)
• 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)
• An Attention Transfer Model for Human-Assisted Failure Avoidance in Robot Manipulations [2.745883395089022]
  ロボット操作の誤りを識別する新しいヒューマン・ロボット・アテンション・トランスファー法(textittextbfH2R-AT)を開発した。 textittextbfH2R-ATは、アテンションマッピング機構を新しい積み重ねニューラルネットワークモデルに融合して開発された。 この方法の有効性は、転送注意における7,3.68%の高精細さと、故障の把握を避けるための6,6.86%の高精細さによって検証された。
  論文  参考訳（メタデータ） (2020-02-11T07:58:48Z)

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。