一种用于心脏导管机器人中基于 PID 控制的带情景策略迁移的样本高效深度强化学习新方法
机器人学
2021-10-29 v1 机器学习
系统与控制
系统与控制
摘要
机器人导管插入术现今通常用于经皮冠状动脉介入手术，其涉及操控柔性血管内工具以开通冠状动脉中的闭塞。本研究中，一种带情景策略迁移的样本高效深度强化学习首次被用于机器人导管插入术中的运动控制，具有完全自适应 PID 整定策略。该强化模型辅助智能体持续从与环境的交互中学习，并自适应整定血管内工具轴向导航的 PID 控制增益。该模型针对为血管内导管插入术设计的机器人系统的轴向运动控制进行了验证。仿真与实验试验用于验证模型应用，所得结果表明其能为机器人导管系统运动控制适当自整定 PID 增益。与常规方法在平均 10 次试验中的性能比较显示，该智能体以 0.003 mm 误差更好地整定增益。因此，所提模型将提供更稳定的设定点运动控制机器人导管插入术。
引用
@article{arxiv.2110.14941,
title = {A Novel Sample-efficient Deep Reinforcement Learning with Episodic Policy Transfer for PID-Based Control in Cardiac Catheterization Robots},
author = {Olatunji Mumini Omisore and Toluwanimi Akinyemi and Wenke Duan and Wenjing Du and Lei Wang},
journal= {arXiv preprint arXiv:2110.14941},
year = {2021}
}
备注
6 pages, 7 figures