May, 2023

用于术中螺钉椎弓根定位规划的安全深度强化学习

PDF
TL;DR本文提出了一种基于实时观察的机器人脊柱手术规划方法，利用 Safe Deep Reinforcement Learning（DRL）计算钻孔路径，同时通过引入一个基于距离的不确定性感知安全过滤器保证安全，为手术提供尽可能高的成功率。实验表明，该方法是第一种在正畸手术上应用安全 DRL 方法，且能同时满足成功率和安全保障。
spinal fusion surgeryrobotic surgery systemreal-time observationsafe deep reinforcement learningorthopedic surgeries
发现论文，激发创造
  • 基于深度强化学习的半自主机器人手术控制

    本文提出了一种基于深度强化学习的半自主控制方法，可帮助外科机器人在手术过程中完成一些简单但重复的操作，用户实验表明此框架可将手术时间缩短 19.1％，行程长度缩短 58.7％。

    Apr, 2022

  • 脊柱手术无标记外科导航的连续姿态跟踪自动注册

    本文提出了一种无辐射方法的自动注册方案，使用深度神经网络自动解决腰椎融合手术的注册问题，并结合增强现实导航系统提供直观的手术引导。在公开数据集上验证了注册方法并获得较高的注册成功率和精度，在离体手术中也取得了良好的结果，展现了 RGB-D 数据在自动注册方法和增强现实引导中的潜力。

    Aug, 2023

  • 深度强化学习在人类环境下机器人操作的可证明安全性

    本文提出了一种保护机制，利用快速到达性分析保证机械臂控制在人群环境下的安全，并且证明该方法能够有效地提高强化学习的性能。

    May, 2022

  • 基于深度强化学习的工业机器人路径规划，使用距离传感器作为观测

    本文提出了一种基于深度强化学习的机器人操作器运动规划器，用于解决工业机器人在未知环境下的路径规划问题，实验结果证明其在路径长度和执行时间方面的优越性。

    Jan, 2023

  • 物理深度强化学习：安全性与未知未知

    本文中，我们提出了 Phy-DRL 框架：一种物理模型调节的深度强化学习框架，用于安全关键的自主系统。Phy-DRL 在三个方面独具创新：积极的未知 - 未知训练，连接残余控制，以及基于物理模型的神经网络编辑。在倒立摆和四足机器人上进行的实验结果证明了与纯数据驱动 DRL 相比，Phy-DRL 具有更少的学习参数，卓越的模型鲁棒性和安全保证。

    May, 2023

  • 使用深度强化学习实现可变插座位置的实用插入方法

    利用深度强化学习，在少量人类演示的情况下，无需模拟和建模就能达到高效且稳健地解决插入问题的效果，且在插入位置具有差异的情况下依然有效。

    Oct, 2018

  • DeepDRR-- 荧光引导下机器学习的催化剂

    本研究提出了一种基于机器学习的用于快速、真实模拟 CT 扫描的衍射、数字放射成像模拟的框架，并通过在盆骨的影像检测中的应用展示了模型无需重新训练和领域适应即可推广到未知的临床数据的良好表现。

    Mar, 2018

  • 基于深度强化学习的避障轨迹规划与鲁棒低层控制方法在机器人操纵器中的应用

    在机器人学中，我们提出了一种集成无障碍深度强化学习轨迹规划器和新颖的自适应低级和关节级控制策略的方法，通过与环境的交互来激活学习阶段，解决了学习基于模型的复杂性和稳定性和安全性之间的挑战。

    Feb, 2024

  • Safe DreamerV3：基于世界模型的安全强化学习

    本文介绍了一种将拉格朗日方法和规划方法融合到世界模型中的算法 Safe DreamerV3，这是首个在 Safety-Gymnasium benchmark 中能够在低维和仅依靠视觉的任务中实现近乎零成本的 SafeRL 算法。

    Jul, 2023

  • 学习保证安全：带安全评论家的深度强化学习

    为了将 RL 算法部署到实际场景中并在学习过程中确保安全性，我们提出了使用转移学习方法学习在一个任务环境中如何保持安全性，然后将所学用于约束在学习新任务时的行为，此方法在三个具有挑战性的领域中实证，相比于标准的深度 RL 技术和以前的安全 RL 方法，我们的方法不但减少了安全事故，还提高了学习的速度和稳定性。

    Oct, 2020