DESK：面向医疗机器人灵巧手术技能迁移的机器人活动数据集
机器人学
2019-03-05 v1
摘要
数据集是训练有效机器学习模型的重要组成部分。特别是，手术机器人数据集在半自主手术、技能评估和训练方面的诸多进展中发挥了关键作用。模拟手术环境可以使数据收集过程比真实系统更快、更简单且成本更低。此外，结合来自多个机器人领域的数据可以为迁移学习算法提供丰富多样的训练数据。在本文中，我们提出了 DESK（Dexterous Surgical Skill，灵巧手术技能）数据集。它包含使用三个机器人平台在手术训练任务中收集的一组手术机器人技能：Taurus II 机器人、Taurus II 模拟机器人和 YuMi 机器人。该数据集被用于测试在包含七种手势的手术手势分类任务中跨不同领域迁移知识的思想（例如，从 Taurus 机器人迁移到 YuMi 机器人）。我们探索了三种不同的场景：1) 不进行迁移，2) 从模拟 Taurus 迁移到真实 Taurus，以及 3) 从模拟 Taurus 迁移到 YuMi 机器人。我们使用三种监督学习模型进行了广泛实验，并在上述每个场景中提供了基线。结果表明，在训练期间使用模拟数据可提高在真实可用数据有限的条件下真实机器人上的性能。特别地，在仅使用模拟器数据训练的模型上，我们在真实 Taurus 数据上获得了 55% 的准确率。此外，当在训练过程中加入 3% 的真实数据时，我们实现了 34% 的准确率提升。
引用
@article{arxiv.1903.00959,
title = {DESK: A Robotic Activity Dataset for Dexterous Surgical Skills Transfer to Medical Robots},
author = {Naveen Madapana and Md Masudur Rahman and Natalia Sanchez-Tamayo and Mythra V. Balakuntala and Glebys Gonzalez and Jyothsna Padmakumar Bindu and L. N. Vishnunandan Venkatesh and Xingguang Zhang and Juan Barragan Noguera and Thomas Low and Richard Voyles and Yexiang Xue and Juan Wachs},
journal= {arXiv preprint arXiv:1903.00959},
year = {2019}
}
备注
8 pages, 5 figures, 4 tables, submitted to IROS 2019 conference