論文の概要: Autonomous Robotic Drilling System for Mice Cranial Window Creation
- arxiv url: http://arxiv.org/abs/2406.14135v2
- Date: Wed, 05 Nov 2025 15:33:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.034226
- Title: Autonomous Robotic Drilling System for Mice Cranial Window Creation
- 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
- Authors: Enduo Zhao, Murilo M. Marinho, Kanako Harada,
- Abstract要約: 生命科学における実験的な標本は、個々の変数に従属し、自律的なロボット制御を成功させるために複雑なアルゴリズムを必要とする。
本研究では,オフライン計画のない自律型ロボット掘削システムの開発を行う。
実験では,まず,他の最先端の深層学習画像処理手法と比較し,各モジュールがシステム性能に与える影響を評価するために,卵殻掘削におけるアブレーション試験を行った。
- 参考スコア（独自算出の注目度）: 3.3504047074305716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic assistance for experimental manipulation in the life sciences is expected to enable favorable outcomes, regardless of the skill of the scientist. Experimental specimens in the life sciences are subject to individual variability and hence require intricate algorithms for successful autonomous robotic control. As a use case, we are studying the cranial window creation in mice. This operation requires the removal of an 8-mm circular patch of the skull, which is approximately 300 um thick, but the shape and thickness of the mouse skull significantly varies depending on the strain of the mouse, sex, and age. In this work, we develop an autonomous robotic drilling system with no offline planning, consisting of a trajectory planner with execution-time feedback with drilling completion level recognition based on image and force information. In the experiments, we first evaluate the image-and-force-based drilling completion level recognition by comparing it with other state-of-the-art deep learning image processing methods and conduct an ablation study in eggshell drilling to evaluate the impact of each module on system performance. Finally, the system performance is further evaluated in postmortem mice, achieving a success rate of 70% (14/20 trials) with an average drilling time of 9.3 min.
- 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わらず、良好な結果をもたらすことが期待されている。
生命科学における実験的な標本は、個々の変数の対象となるため、自律的なロボット制御を成功させるために複雑なアルゴリズムが必要である。
症例として,我々はマウスの頭蓋窓形成について検討している。
この手術では、約300mの厚みを持つ頭蓋骨の8mm円形のパッチを除去する必要があるが、マウスの頭蓋骨の形状と厚さは、マウス、性別、年齢によって大きく異なる。
本研究では,画像と力情報に基づく掘削完了レベルの認識と実行時間フィードバックを備えた軌道プランナで構成される,オフライン計画のない自律型ロボット掘削システムの開発を行う。
実験では,まず,他の最先端の深層学習画像処理手法と比較し,各モジュールがシステム性能に与える影響を評価するために,卵殻掘削におけるアブレーション試験を行った。
最後に、システム性能は死後マウスでさらに評価され、平均ドリル時間9.3分で70%(14/20試験)の成功率を達成した。
関連論文リスト
- Automatic Skull Reconstruction by Deep Learnable Symmetry Enforcement [0.12301374769426145]
何千人もの人々が頭蓋骨の損傷に苦しんでおり、頭蓋腔を埋めるためにパーソナライズされたインプラントを必要としている。
深層学習に基づく頭蓋再建はいくつかの課題に直面している。
本稿では,これらの課題に対して,学習可能な対称性の強制による再構築を強化することによる,新たなアプローチを提案する。
論文 参考訳（メタデータ） (2024-11-26T11:35:32Z) - Simulation-Aided Policy Tuning for Black-Box Robot Learning [47.83474891747279]
本稿では,データ効率の向上に着目した新しいブラックボックスポリシー探索アルゴリズムを提案する。
このアルゴリズムはロボット上で直接学習し、シミュレーションを追加の情報源として扱い、学習プロセスを高速化する。
ロボットマニピュレータ上でのタスク学習の高速化と成功を,不完全なシミュレータの助けを借りて示す。
論文 参考訳（メタデータ） (2024-11-21T15:52:23Z) - Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。
本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。
GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
論文 参考訳（メタデータ） (2024-07-22T06:12:21Z) - Autonomous Robotic Drilling System for Mice Cranial Window Creation: An
Evaluation with an Egg Model [5.301181358292719]
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。
論文 参考訳（メタデータ） (2023-03-22T02:18:55Z) - Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement
Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。
本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。
ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文 参考訳（メタデータ） (2023-03-02T18:51:38Z) - Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。
本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。
我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文 参考訳（メタデータ） (2021-09-19T18:00:51Z) - 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) - Imitation Learning for High Precision Peg-in-Hole Tasks [1.325953054381901]
6-DOFロボットマニピュレータにおけるペグ・イン・ホール挿入タスクを模倣する生成方法を示す。
特に、生成的相反的模倣学習(gail)を用いて、10 um と 6 um の peg-hole clearance でこの課題を成功させる。
論文 参考訳（メタデータ） (2020-12-26T08:42:15Z) - Reinforcement Learning Experiments and Benchmark for Solving Robotic
Reaching Tasks [0.0]
強化学習はロボットアームによる到達タスクの解決に成功している。
ハイドサイト体験再生探索技術により報奨信号の増大が, オフ・ポリティクス・エージェントの平均リターンを増加させることが示されている。
論文 参考訳（メタデータ） (2020-11-11T14:00:49Z) - Thinking While Moving: Deep Reinforcement Learning with Concurrent
Control [122.49572467292293]
本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。
人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
論文 参考訳（メタデータ） (2020-04-13T17:49:29Z) - Scalable Multi-Task Imitation Learning with Autonomous Improvement [159.9406205002599]
我々は、自律的なデータ収集を通じて継続的に改善できる模倣学習システムを構築している。
我々は、ロボット自身の試行を、実際に試みたタスク以外のタスクのデモとして活用する。
従来の模倣学習のアプローチとは対照的に,本手法は,継続的改善のための疎い監視によるデータ収集を自律的に行うことができる。
論文 参考訳（メタデータ） (2020-02-25T18:56:42Z)
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。