FF-SRL: 面向机器人学习的高性能基于 GPU 的手术仿真
机器人学
2025-06-04 v2
摘要
机器人手术是一个快速发展的领域，可以从手术任务的自动化中获益匪浅。然而，诸如强化学习(RL)之类的训练技术需要大量的任务重复，这在真实的手术系统上执行通常是不安全且不切实际的。这凸显了对模拟手术环境的需求，这种环境不仅需要逼真，还需要具备计算效率和可扩展性。我们引入了 FF-SRL（快速灵活的手术强化学习），一个用于机器人手术的高性能学习环境。在 FF-SRL 中，物理仿真和 RL 策略训练完全驻留在单个 GPU 上。这避免了 CPU 和 GPU 之间数据传输的典型瓶颈，从而加快了学习速度。我们的结果表明，与常见的 CPU/GPU 仿真器相比，FF-SRL 将复杂组织操作任务的训练时间减少了一个数量级，降至几分钟。这种加速可能会促进 RL 技术的实验，并有助于开发新一代手术系统。为此，我们向社区公开了我们的代码。
引用
@article{arxiv.2503.18616,
title = {FF-SRL: High Performance GPU-Based Surgical Simulation For Robot Learning},
author = {Diego Dall'Alba and Michał Naskręt and Sabina Kaminska and Przemysław Korzeniowski},
journal= {arXiv preprint arXiv:2503.18616},
year = {2025}
}