基于模拟图像导引的外科手术机器人的个性化自适应方法，通过仿真环境训练强化学习和模仿学习的智能体来执行白内障手术切口阶段的所有任务，将外科医生的动作和喜好融入训练过程，从而实现对个别外科医生独特方法的隐式学习和适应，为外科医生提供更直观和个性化的手术体验，同时确保自主机器人学徒的稳定性能。

Nov, 2023

本文提出了一种新的主控器到机器人 (M2R) 迁移学习系统，通过低成本控制器和基于注视的模仿学习框架及简单的校准方法，使操作者可以自然地感受到力反馈而不需要昂贵的双边系统，进而克服主控器和机器人之间的域差异，使得机器人也能够完成需要力反馈的灵巧操作任务，作者在瓶盖开启任务上进行了验证。

Feb, 2022

本研究提出了一种基于商用机械臂的可行的、简化了数据收集过程的、能够有效采集各种复杂场景演示数据的人机互动界面，并采用了多项数据增强技术来优化模型的学习性能，最终在非捏取推动和物品堆叠等任务中获得了较高的成功率。

Aug, 2020

通过开发多模态、多任务、视觉 - 语言 - 行为模型，本文提出一条路径，以增加机器人辅助手术中机器人的自治性，最终我们认为，机器人辅助手术能够从通用模型中获益，并提供三个指导性行动以增加机器人辅助手术的自治性。

Jan, 2024

本文提出了一个用于机器人超声引导手术的技能转移学习的简单框架，该框架包括合适的取样技术、计算效率高的神经网络模型，实现了实时应用的技能转移学习。研究结果表明，经验丰富的临床医生比非临床医生在超声引导手术中具有更快和更顺畅的动作；为了实现实时应用，未来的工作需要使用剪枝和量化神经网络模型。

May, 2023

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

通过使用扩散模型结合零样本视频扩散方法，通过文本指定手术动作并通过分割掩模指导生成真实的腹腔镜图像和视频，本研究在提高培训过程中迈出了重要一步，评估了生成的图像的保真度和事实正确性，获得了 FID 指标为 38.097 和 F1-score 指标为 0.71。

Apr, 2024

我们提出了一种低成本的系统，该系统可以直接从真实演示中进行端到端模仿学习，以学习在现实世界中执行精细操作任务的方法。

Apr, 2023

该研究提出了一种有效的深度学习机器人抓取小圆球的方法，并将整个系统分解为视觉模块和闭环控制器模块两部分来实现。通过在真实背景图像和模拟图像之间进行有效领域转移来训练视觉模块，并使用模仿学习在仿真环境中对闭环控制器进行训练，从而实现了对未知情况的抓取成功率达到了 90％。

Dec, 2017

通过深度学习框架从机器人运动数据映射到单个技能级别，提出了一种无需特征工程或精心调整手势细分，即可成功解码技能信息的模型，并能在 1-3 秒窗口内可靠地解释技能，突出了深度架构在现代外科培训中高效在线技能评估的潜力。

Jun, 2018