論文の概要: Learning From a Steady Hand: A Weakly Supervised Agent for Robot Assistance under Microscopy

• arxiv url: http://arxiv.org/abs/2601.20776v1
• Date: Wed, 28 Jan 2026 17:03:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.985788
• Title: Learning From a Steady Hand: A Weakly Supervised Agent for Robot Assistance under Microscopy
• Title（参考訳）: ステディハンドから学ぶ:顕微鏡下でのロボット支援のための弱めに監督されたエージェント
• Authors: Huanyu Tian, Martin Huber, Lingyun Zeng, Zhe Han, Wayne Bennett, Giuseppe Silvestri, Gerardo Mendizabal-Ruiz, Tom Vercauteren, Alejandro Chavez-Badiola, Christos Bergeles,
• Abstract要約: 本稿では、キャリブレーション認識とアプタンス制御を融合した弱教師付きフレームワークを用いて、安定したロボット操作を再考する。 観測および校正モデルから残留物を明示的に特徴付けることにより、記録されたウォームアップからタスクスペースエラー予算を確立する。 その結果,顕微鏡誘導型バイオメディカルマイクロマニピュレーションの信頼性は,複雑な設定条件を導入することなく向上することがわかった。
• 参考スコア（独自算出の注目度）: 37.62611404780836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper rethinks steady-hand robotic manipulation by using a weakly supervised framework that fuses calibration-aware perception with admittance control. Unlike conventional automation that relies on labor-intensive 2D labeling, our framework leverages reusable warm-up trajectories to extract implicit spatial information, thereby achieving calibration-aware, depth-resolved perception without the need for external fiducials or manual depth annotation. By explicitly characterizing residuals from observation and calibration models, the system establishes a task-space error budget from recorded warm-ups. The uncertainty budget yields a lateral closed-loop accuracy of approx. 49 micrometers at 95% confidence (worst-case testing subset) and a depth accuracy of <= 291 micrometers at 95% confidence bound during large in-plane moves. In a within-subject user study (N=8), the learned agent reduces overall NASA-TLX workload by 77.1% relative to the simple steady-hand assistance baseline. These results demonstrate that the weakly supervised agent improves the reliability of microscope-guided biomedical micromanipulation without introducing complex setup requirements, offering a practical framework for microscope-guided intervention.
• Abstract（参考訳）: 本稿では、キャリブレーション認識とアプタンス制御を融合した弱教師付きフレームワークを用いて、安定したロボット操作を再考する。 作業集約的な2Dラベリングに依存する従来の自動化とは異なり、我々のフレームワークは再利用可能なウォームアップトラジェクトリを活用して暗黙の空間情報を抽出し、外部のフィデューシャルや手動深度アノテーションを必要とせずにキャリブレーションアウェア、深度解決された知覚を実現する。 観測および校正モデルから残留物を明示的に特徴付けることにより、記録されたウォームアップからタスクスペースエラー予算を確立する。 不確実性予算は、近似の側面閉ループ精度をもたらす。 49マイクロメータ,95%の信頼度(Worst-case test subset),95%の信頼度で<=291マイクロメータの深さ精度を示した。 対象内ユーザ調査(N=8)では、学習エージェントは、単純な定常支援ベースラインと比較して、NASA-TLX全体の負荷を77.1%削減する。 これらの結果から,顕微鏡誘導型バイオメディカル・マイクロマニピュレーションの信頼性は,複雑なセットアップ要件を導入することなく向上し,顕微鏡誘導型介入の実践的枠組みを提供することが示された。

関連論文リスト

• An AI Framework for Microanastomosis Motion Assessment [3.9524886416531753]
  マイクロアナコシス機器ハンドリングスキルの自動評価のための新しいAIフレームワークを提案する。 本システムは,(1)You Only Look Once (YOLO)アーキテクチャに基づく機器検出モジュール,(2)Deep Simple Online and Realtime Tracking (DeepSORT)から開発された機器追跡モジュール,(3)形状記述子を用いた機器チップローカライゼーションモジュールの4つのコアコンポーネントを統合する。 実験の結果,機器検出精度97%,平均平均精度96%,IoU閾値50%から95%(m)で測定した。
  論文  参考訳（メタデータ） (2026-01-28T23:23:37Z)
• Agentic Confidence Calibration [67.50096917021521]
  Holistic Trajectory (HTC)はAIエージェントの新しい診断フレームワークである。 HTCはキャリブレーションと差別の両方において、強力なベースラインを一貫して超えている。 HTCは、障害の背後にあるシグナルを明らかにすることによって、解釈可能性を提供する。
  論文  参考訳（メタデータ） (2026-01-22T09:08:25Z)
• Dual-Mode Deep Anomaly Detection for Medical Manufacturing: Structural Similarity and Feature Distance [2.467339701756281]
  本稿では,2つの注意誘導型オートエンコーダアーキテクチャを提案する。 1つ目は、軽量でリアルタイムな欠陥検出を可能にする構造的類似性に基づくスコアリングアプローチである。 第二に、Mahalanobis を用いた特徴距離ベースの戦略を、遅延特性の低減に応用する。
  論文  参考訳（メタデータ） (2025-09-06T18:17:40Z)
• Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
  大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。 LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。 敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。 私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
  論文  参考訳（メタデータ） (2025-07-30T08:44:22Z)
• TRUSWorthy: Toward Clinically Applicable Deep Learning for Confident Detection of Prostate Cancer in Micro-Ultrasound [3.8208601340697386]
  信頼性の高いPCa検出システムであるTRUSWorthyを提案する。 我々のパイプラインは、自己教師付き学習、トランスフォーマーを用いたマルチインスタンス学習集約、ランダムアンサンプブーピング、およびアンサンブルを統合している。 本手法は,従来の最先端のディープラーニング手法よりも精度と不確実性の校正に優れていた。
  論文  参考訳（メタデータ） (2025-02-20T16:31:24Z)
• Mind the Confidence Gap: Overconfidence, Calibration, and Distractor Effects in Large Language Models [0.6091702876917281]
  大規模言語モデル(LLM)は、自然言語処理において顕著な熟練度を示す。 予測された信頼と真の正しさの過度なミスサライメントは、重要な意思決定アプリケーションに重大なリスクをもたらす。 9つのLCMと3つの質問応答データセットにわたるLCMの校正に関する包括的分析を行った。
  論文  参考訳（メタデータ） (2025-02-16T07:46:09Z)
• Enhancing Healthcare LLM Trust with Atypical Presentations Recalibration [20.049443396032423]
  ブラックボックスの大規模言語モデル(LLM)は、様々な環境に徐々に展開されている。 LLMは、しばしば過剰な自信を示し、潜在的なリスクや誤った判断につながる。 本稿では,非定型的なプレゼンテーションを利用してモデルの信頼度を推定する新しい手法であるtextitAtypical presentations Recalibrationを提案する。
  論文  参考訳（メタデータ） (2024-09-05T03:45:35Z)
• On the Vulnerability of LLM/VLM-Controlled Robotics [54.57914943017522]
  大規模言語モデル(LLM)と視覚言語モデル(VLM)を統合するロボットシステムの脆弱性を,入力モダリティの感度によって強調する。 LLM/VLM制御型2つのロボットシステムにおいて,単純な入力摂動がタスク実行の成功率を22.2%,14.6%減少させることを示す。
  論文  参考訳（メタデータ） (2024-02-15T22:01:45Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)

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。