基于不确定性量化的自主手术软组织操作早期故障检测
机器人学
2025-08-27 v2
摘要
自主手术机器人是在外科医生短缺情况下满足日益增长手术需求的有前景的解决方案。近期工作提出了基于学习的自主软组织操作方法。然而，由于组织几何形状和刚度的变异性，这些方法并非总是表现最优，尤其是在分布外场景中。我们提出、开发并测试了不确定性量化在学习的手术软组织操作策略中的首次应用，作为任务失败的早期识别系统。我们分析了两种不同的不确定性量化方法：深度集成和蒙特卡洛 dropout，发现深度集成提供了更强的未来任务成功或失败的信号。我们使用物理 daVinci Research Kit (dVRK) 手术机器人进行物理软组织操作来验证我们的方法。我们表明，我们能够成功检测导致任务失败的分布外状态，并在必要时请求人工干预，同时在可能时仍能实现自主操作。我们基于不确定性的早期故障检测的学习组织操作策略，在零样本 sim2real 性能上比先前最先进的软组织操作学习提高了 47.5%。我们还表明，我们的方法能够很好地泛化到新型组织以及双手软组织操作任务。
引用
@article{arxiv.2501.10561,
title = {Early Failure Detection in Autonomous Surgical Soft-Tissue Manipulation via Uncertainty Quantification},
author = {Jordan Thompson and Ronald Koe and Anthony Le and Gabriella Goodman and Daniel S. Brown and Alan Kuntz},
journal= {arXiv preprint arXiv:2501.10561},
year = {2025}
}
备注
6 pages, 6 figures, Accepted to the 2025 RSS OOD Workshop