論文の概要: A Predictive Approach for Enhancing Accuracy in Remote Robotic Surgery Using Informer Model
- arxiv url: http://arxiv.org/abs/2501.14678v1
- Date: Fri, 24 Jan 2025 17:57:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-27 14:56:16.022012
- Title: A Predictive Approach for Enhancing Accuracy in Remote Robotic Surgery Using Informer Model
- Title（参考訳）: インフォーマモデルを用いた遠隔ロボット手術における精度向上のための予測的アプローチ
- Authors: Muhammad Hanif Lashari, Shakil Ahmed, Wafa Batayneh, Ashfaq Khokhar,
- Abstract要約: 本稿では,TransformerベースのInformerフレームワークをベースとした位置推定モデルを提案する。
TCN, RNN, LSTMなどのモデルとの比較では, 位置予測処理におけるInformerフレームワークの優れた性能が示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Precise and real-time estimation of the robotic arm's position on the patient's side is essential for the success of remote robotic surgery in Tactile Internet (TI) environments. This paper presents a prediction model based on the Transformer-based Informer framework for accurate and efficient position estimation. Additionally, it combines a Four-State Hidden Markov Model (4-State HMM) to simulate realistic packet loss scenarios. The proposed approach addresses challenges such as network delays, jitter, and packet loss to ensure reliable and precise operation in remote surgical applications. The method integrates the optimization problem into the Informer model by embedding constraints such as energy efficiency, smoothness, and robustness into its training process using a differentiable optimization layer. The Informer framework uses features such as ProbSparse attention, attention distilling, and a generative-style decoder to focus on position-critical features while maintaining a low computational complexity of O(L log L). The method is evaluated using the JIGSAWS dataset, achieving a prediction accuracy of over 90 percent under various network scenarios. A comparison with models such as TCN, RNN, and LSTM demonstrates the Informer framework's superior performance in handling position prediction and meeting real-time requirements, making it suitable for Tactile Internet-enabled robotic surgery.
- Abstract（参考訳）: 触覚インターネット(TI)環境における遠隔手術の成功には,ロボットアームの患者側位置の高精度かつリアルタイムな推定が不可欠である。
本稿では,TransformerベースのInformerフレームワークをベースとした位置推定モデルを提案する。
さらに、4状態隠れマルコフモデル(4状態HMM)を組み合わせて、現実的なパケット損失シナリオをシミュレートする。
提案手法は,遠隔手術におけるネットワーク遅延,ジッタ,パケットロスといった課題に対処し,信頼性と正確な操作を実現する。
この方法は、エネルギー効率、滑らかさ、ロバスト性といった制約を微分可能な最適化層を用いてトレーニングプロセスに埋め込むことで、最適化問題をインフォーマモデルに統合する。
Informerフレームワークは、ProbSparseのアテンション、アテンション蒸留、および生成的なスタイルのデコーダなどの機能を使用して、O(L log L)の低い計算複雑性を維持しながら、位置クリティカルな特徴にフォーカスする。
この方法はJIGSAWSデータセットを用いて評価され、様々なネットワークシナリオで90%以上の予測精度が達成される。
TCN、RNN、LSTMなどのモデルと比較すると、Informerフレームワークは、位置予測とリアルタイム要求の対応において優れた性能を示し、Tactile Internet対応のロボット手術に適している。
関連論文リスト
- EfficientPose 6D: Scalable and Efficient 6D Object Pose Estimation [4.595205112368888]
本研究は,GDRNPPに基づく高速かつスケーラブルなポーズ推定器の開発に焦点をあてる。
本稿では,推定時間と精度のトレードオフを考慮したAMISアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-02-19T19:21:23Z) - Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
私たちは世界モデルを学ぶための新しいフレームワークを紹介します。
スケーラブルで堅牢なフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
論文 参考訳（メタデータ） (2025-01-17T10:39:09Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - PIVOT-R: Primitive-Driven Waypoint-Aware World Model for Robotic Manipulation [68.17081518640934]
ロボット操作のためのPrIrmitive-driVen waypOinT-aware world model(PIVOT-R)を提案する。
PIVOT-RはWAWM(Waypoint-aware World Model)と軽量アクション予測モジュールで構成される。
私たちのPIVOT-RはSeaWaveベンチマークで最先端のオープンソースモデルより優れており、4段階の命令タスクで平均19.45%の相対的な改善を実現しています。
論文 参考訳（メタデータ） (2024-10-14T11:30:18Z) - RmGPT: Rotating Machinery Generative Pretrained Model [20.52039868199533]
本稿では,診断・予後タスクの統一モデルであるRmGPTを提案する。
RmGPTは、Signal Tokens、Prompt Tokens、Time-Frequency Task Tokens、Fault Tokensといった新しいトークンベースのフレームワークを導入している。
実験では、RmGPTは最先端のアルゴリズムを著しく上回り、診断タスクではほぼ完璧な精度、予後タスクでは例外的に低い誤差を達成している。
論文 参考訳（メタデータ） (2024-09-26T07:40:47Z) - Enhancing Precision in Tactile Internet-Enabled Remote Robotic Surgery: Kalman Filter Approach [0.0]
本稿では,計算効率の良い位置推定法としてカルマンフィルタ(KF)を提案する。
この研究は、ロボットアームシステムの力学系モデルに関する事前の知識も想定していない。
シミュレーションネットワーク条件下での患者側マニピュレータ(PSM)の位置決定におけるKFの有効性について検討した。
論文 参考訳（メタデータ） (2024-06-06T20:56:53Z) - OptiState: State Estimation of Legged Robots using Gated Networks with Transformer-based Vision and Kalman Filtering [42.817893456964]
脚のあるロボットの状態推定は、非常にダイナミックな動きとセンサーの精度による制限のために困難である。
本稿では,ロボットのトランクの状態を推定するために,プロピロセプションと外部受動的情報を組み合わせたハイブリッドソリューションを提案する。
このフレームワークは正確なロボットの状態推定を行うだけでなく、センサの測定や学習によるモデルの単純化から生じる非線形誤差を最小限に抑えることができる。
論文 参考訳（メタデータ） (2024-01-30T03:34:25Z) - Probabilistic MIMO U-Net: Efficient and Accurate Uncertainty Estimation
for Pixel-wise Regression [1.4528189330418977]
機械学習における不確実性推定は、予測モデルの信頼性と解釈可能性を高めるための最重要課題である。
画素ワイド回帰タスクに対するMIMO(Multiple-Input Multiple-Output)フレームワークの適応について述べる。
論文 参考訳（メタデータ） (2023-08-14T22:08:28Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳（メタデータ） (2023-07-26T08:25:46Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳（メタデータ） (2021-03-06T09:10:03Z)
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。