动态胃中基于深度强化学习的柔性机器人内窥镜接触辅助导航
机器人学
2025-09-03 v1 人工智能
系统与控制
系统与控制
摘要
在胃肠道中导航柔性机器人内窥镜（FRE）对于手术诊断和治疗至关重要。然而，在动态胃中进行导航尤为困难，因为 FRE 必须学会有效利用与可变形胃壁的接触来到达目标位置。为了解决这一问题，我们引入了一种基于深度强化学习（DRL）的 FRE 接触辅助导航（CAN）策略，利用接触力反馈来增强运动稳定性和导航精度。训练环境使用基于物理的可变形胃有限元方法（FEM）仿真建立。我们的方法采用近端策略优化（PPO）算法进行训练，实现了高导航成功率（FRE 末端执行器与目标之间的误差在3 mm以内），并显著优于基线策略。在静态和动态胃环境中，CAN 智能体均实现了100%的成功率，平均误差为1.6 mm；在具有更强外部干扰的具有挑战性的未见场景中，仍保持了85%的成功率。这些结果验证了基于 DRL 的 CAN 策略显著提升了 FRE 的导航性能，优于现有方法。
引用
@article{arxiv.2509.00319,
title = {Contact-Aided Navigation of Flexible Robotic Endoscope Using Deep Reinforcement Learning in Dynamic Stomach},
author = {Chi Kit Ng and Huxin Gao and Tian-Ao Ren and Jiewen Lai and Hongliang Ren},
journal= {arXiv preprint arXiv:2509.00319},
year = {2025}
}