論文の概要: Neural Collision Detection for Multi-arm Laparoscopy Surgical Robots Through Learning-from-Simulation
- arxiv url: http://arxiv.org/abs/2601.15459v1
- Date: Wed, 21 Jan 2026 20:54:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.895287
- Title: Neural Collision Detection for Multi-arm Laparoscopy Surgical Robots Through Learning-from-Simulation
- Title（参考訳）: マルチアーム腹腔鏡手術ロボットの学習シミュレーションによる神経衝突検出
- Authors: Sarvin Ghiasi, Majid Roshanfar, Jake Barralet, Liane S. Feldman, Amir Hooshiar,
- Abstract要約: 本研究では,腹腔鏡下手術におけるロボットアームの安全性と操作効率を高めるための統合的枠組みを提案する。
関節構成に基づいてロボットアーム間の最小距離を推定する解析モデルを開発した。
深部ニューラルネットワークモデルは、ロボットアームの関節アクチュエータと相対位置を入力としてトレーニングされ、平均絶対誤差は282.2mm、R二乗値は0.85である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study presents an integrated framework for enhancing the safety and operational efficiency of robotic arms in laparoscopic surgery by addressing key challenges in collision detection and minimum distance estimation. By combining analytical modeling, real-time simulation, and machine learning, the framework offers a robust solution for ensuring safe robotic operations. An analytical model was developed to estimate the minimum distances between robotic arms based on their joint configurations, offering precise theoretical calculations that serve as both a validation tool and a benchmark. To complement this, a 3D simulation environment was created to model two 7-DOF Kinova robotic arms, generating a diverse dataset of configurations for collision detection and distance estimation. Using these insights, a deep neural network model was trained with joint actuators of robot arms and relative positions as inputs, achieving a mean absolute error of 282.2 mm and an R-squared value of 0.85. The close alignment between predicted and actual distances highlights the network's accuracy and its ability to generalize spatial relationships. This work demonstrates the effectiveness of combining analytical precision with machine learning algorithms to enhance the precision and reliability of robotic systems.
- Abstract（参考訳）: 本研究では,腹腔鏡下手術におけるロボットアームの安全性と操作性を高めるための統合的枠組みを提案する。
分析モデリング、リアルタイムシミュレーション、機械学習を組み合わせることで、このフレームワークは安全なロボット操作を保証する堅牢なソリューションを提供する。
ロボットアーム間の関節構成に基づいて最小距離を推定し、検証ツールとベンチマークの両方として機能する正確な理論的計算を提供する分析モデルを開発した。
2つの7-DOFキノバロボットアームをモデル化し、衝突検出と距離推定のための多様な構成データセットを生成する3Dシミュレーション環境が作られた。
これらの知見を用いて、ディープニューラルネットワークモデルはロボットアームと相対位置の関節アクチュエータを入力として訓練され、平均絶対誤差は282.2mm、R二乗値は0.85である。
予測された距離と実際の距離の密接な一致は、ネットワークの精度と空間的関係を一般化する能力を強調している。
本研究は,ロボットシステムの精度と信頼性を高めるために,解析精度と機械学習アルゴリズムを組み合わせることの有効性を示す。
関連論文リスト
- RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation [68.7948300643741]
ロボットの異常検出と介入をリアルタイムに監視するロボット・コンディションド・ノーマライゼーション・フロー(RC-NF)を提案する。
RC-NFは、正規化フロー内のタスク認識ロボットとオブジェクト状態の処理を分離する。
従来のロボットタスクの監視方法と比較して、あらゆる異常なタイプで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-11T10:14:37Z) - Shape Control of a Planar Hyper-Redundant Robot via Hybrid Kinematics-Informed and Learning-based Approach [42.55947704321053]
ハイパー冗長ロボットは、厳密で非構造的な環境での操作をうまく行うことができる。
到達可能な作業空間を拡張するために,多段式フレキシブルラック作動型平面ロボットを開発した。
本研究では,SpatioCoupledNet というハイブリッドキネマティクス・インフォームド・学習型形状制御手法を提案する。
論文 参考訳（メタデータ） (2026-03-11T04:35:06Z) - D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。
提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。
これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-01T15:32:04Z) - Data-Driven Dynamic Parameter Learning of manipulator robots [0.8679862302950613]
動的パラメータ推定のためのトランスフォーマーに基づく手法を提案する。
データセットは、8,192個のロボットで構成され、慣性および摩擦特性は様々である。
我々のモデルは時間的および空間的依存の両方を効果的に捉えている。
論文 参考訳（メタデータ） (2025-12-09T16:15:58Z) - URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。
URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。
シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-11-02T13:45:51Z) - Efficient Surgical Robotic Instrument Pose Reconstruction in Real World Conditions Using Unified Feature Detection [21.460727996614704]
MISロボットは、長いキネマティックチェーンを持ち、カメラ内の自由度を部分的に可視化する。
本稿では,共有符号化による幾何学的プリミティブの検出を統一する新しいフレームワークを提案する。
このアーキテクチャは、1つの推論でキーポイントとエッジの両方を検出し、射影ラベル付き大規模合成データに基づいて訓練される。
論文 参考訳（メタデータ） (2025-10-03T22:03:28Z) - Generating and Customizing Robotic Arm Trajectories using Neural Networks [0.0]
本稿では,ロボットアームの軌道を生成し,カスタマイズするためのニューラルネットワークアプローチを提案する。
提案手法は, 形状をカスタマイズし, 異なる設定に適応できる精度の高い軌道を生成する。
論文 参考訳（メタデータ） (2025-06-25T09:05:58Z) - A Predictive Approach for Enhancing Accuracy in Remote Robotic Surgery Using Informer Model [0.0]
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。
論文 参考訳（メタデータ） (2025-01-24T17:57:00Z) - 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) - 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)
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。