ArthroCut：面向膝关节人工髋关节骨切除的自主策略学习
机器人学
2026-03-05 v1
摘要
尽管手术机器人商业化迅速，但其自主性和实时决策在实践中仍受限。为此，我们提出ArthroCut，一个自主策略学习框架，可将膝关节人工髋关节机器人从辅助执行提升为具备情境感知的动作生成。ArthroCut在自建的、时间同步的多模态数据集（21个完整案例，23,205对RGB-D）上微调Qwen--VL backbone，集成术前CT/MR、手术中NDI跟踪的骨骼和末端执行器、RGB-D手术视频、机器人状态和文本意图。该方法基于两个互补的token族：预操作成像token（PIT）用于编码患者特有的解剖结构和计划切除平面，以及时间对齐手术token（TAST）用于融合实时视觉、几何和动力学证据，并在语法/安全约束解码下发出可解释的动作语法。在脚底实验中，使用七个试验的膝部假体上，ArthroCut在六个标准切除操作中实现了平均86%的成功率，显著优于在相同协议下训练的强基线。消融实验表明，TAST是可靠性的主要驱动力，而PIT提供了必要的解剖 grounding，其组合产生最稳定的多平面执行。这些结果表明，将术前几何与术中感知时间对齐，并将其转化为标记化、受约束的动作，是实现骨科手术机器人稳健、可解释自主性的有效路径。
引用
@article{arxiv.2603.03957,
title = {ArthroCut: Autonomous Policy Learning for Robotic Bone Resection in Knee Arthroplasty},
author = {Xu Lu and Yiling Zhang and Wenquan Cheng and Longfei Ma and Fang Chen and Hongen Liao},
journal= {arXiv preprint arXiv:2603.03957},
year = {2026}
}
备注
Accepted for publication at the 2026 IEEE International Conference on Robotics and Automation (ICRA)