Jun, 2024

通过注入基于学习的估计误差来提高机器人手术模拟的逼真度

PDF
TL;DR通过从物理机器人收集的数据训练神经网络，我们提出了一个方法来估计手术模拟器中的机器人位置精度误差，并将这些误差注入模拟器中，以产生具有物理机器人特性性能的仿真机器人。我们的结果表明，误差注入将模拟机器人与物理机器人之间的平均位置和方向差异从 5.0 毫米 / 3.6 度降低到 1.3 毫米 / 1.7 度，分别减少了 3.8 倍和 2.1 倍。
robotic surgerysimulation environmentspositional accuracyneural networkserror injection
发现论文，激发创造
  • 外科手术器械六自由度姿态估计的真实数据生成

    通过改进的仿真环境为外科机器人提供了大规模、多样化的 6D 姿态估计数据集，证明了所提系统在培训和评估外科机器人视觉算法方面的成功。

    Jun, 2024

  • 机器人操作任务中的现实差距量化

    本文研究了各种模拟器与真实机器人项目达成目标时的准确度差异，以及其在操作导向的机器人任务中的应用，呈现出多种现代模拟器的相对优势和劣势，对研究人员在选择适当的模拟器时提供帮助。

    Nov, 2018

  • 教授机器人建立关于自身的仿真模型

    通过使用自我监督学习框架，我们使机器人能够只使用简短的原始视频数据来模拟和预测其形态、运动学和运动控制，从而实现了准确的运动规划和异常检测。

    Nov, 2023

  • 在实际环境中学习高效准确导航

    在自主导航的地面机器人领域，现有的研究大多使用真实感的动力学和感知模型，而本篇论文致力于通过在仿真环境中进行端到端的训练，减小模型在现实机器人平台上的差距，并取得了显著的性能和稳健性的提升。

    Jan, 2024

  • 提升触觉互联网远程机器人手术的精确性：卡尔曼滤波方法

    基于卡尔曼滤波的计算效率高的位置估计方法在遥操作手术任务中准确估计病人边侧机械臂的位置是一个重要挑战，尤其在触觉互联网（TI）环境下。本文利用 JIGSAW 数据集和 Master Tool Manipulator 的输入来学习机械臂系统模型，并在模拟网络条件下研究了 KF 在确定病人侧操纵器（PSM）位置方面的有效性，结果表明 KF 在网络不确定性情况下依然能够实现准确的状态估计，估计准确率超过 90%。

    Jun, 2024

  • 主动姿态估计的领域随机化

    本文研究如何通过活动感知训练改进基于域随机化的姿态估计方法，通过移动机器人获取更精准的目标位姿信息，并展示在机器人手持物品移动、环境中参考物体移动或者摄像头在物品周围移动的多种场景下能够显著提高标准姿态估计的准确度。

    Mar, 2019

  • 非抓取性操作的强化学习：从仿真到物理系统的转移

    本研究使用一种修改自然策略梯度算法的模型，通过模拟学习并训练，成功将自主控制策略从虚拟系统转移到由三个机器人组成的物理系统中，并证明使用多个模型训练可以使学习到的策略更加稳健，从而弥补了系统识别的困难。

    Mar, 2018

  • 具备交互式仿真环境的人与机器人协同的手术机器人学习

    本文研究人形态智能的应用于外科机器人学习的新交互式模拟平台，以人机交互的形式，以增加更有效的策略学习，通过收集人类示范并模仿动作模式，展示了仿真环境的改进和验证最先进的强化学习算法。

    Jan, 2023

  • 相互对齐迁移学习

    通过强化学习在模拟环境中训练机器人并结合补充奖励策略，与真实机器人进行进一步的微调来优化探索策略，实验结果表明，这种相互对齐的方法可以在真实和模拟环境中实现更好的性能。

    Jul, 2017

  • 机器人辅助手术交叉领域技术技能评估的不确定性感知自监督学习

    提出了一种基于动力学数据的新颖技能评估方法，该方法通过将领域知识从已标记的动力学数据转移到未标记的数据，并利用伪标签对未标记数据进行准确的标注来评估机器人辅助手术中的新医生的技能水平。该方法相较于其他现有的方法不需要手动标记或者不需要先前医疗常识。

    Apr, 2023