间歇视觉伺服：高效学习对器械更换鲁棒的高精度手术操作策略

由于回差、迟滞和缆绳张力，使用缆绳驱动机器人实现手术任务自动化具有挑战性，而这些问题在手术过程中经常需要更换手术器械时会进一步加剧。在这项工作中，我们提出了一个用于高精度手术任务自动化的框架，通过学习样本高效、准确、直接基于视觉反馈而非机器人编码器估计的闭环策略来实现。我们将该框架称为间歇视觉伺服（IVS），它在重复性手术任务的高精度阶段间歇性地切换到学习到的视觉伺服策略，而在无需精度的阶段依赖粗略的开环策略。为补偿缆绳相关效应，我们应用模仿学习快速训练一个策略，将来自俯视 RGB 相机的工作空间和器械图像映射为微小的纠正运动。我们仅使用 180 段每段约 2 秒的人类演示来训练该策略。在 da Vinci Research Kit 上的结果表明，对于三种具有不同缆绳相关效应的器械，在 each 高精度阶段将粗略策略与来自学习策略的半秒纠正相结合，将 Fundamentals of Laparoscopic Surgery 插桩传递任务的成功率从 72.9% 提升至 99.2%、从 31.3% 提升至 99.2%、从 47.2% 提升至 100.0%。在我们研究的环境中，IVS 达到了已发表最高的自动化手术插桩传递成功率，并且在器械更换时比以往技术显著更可靠。补充材料见 https://tinyurl.com/ivs-icra。