学习稳定手臂：基于微scopy下机器人辅助的弱监督智能体
机器人学
2026-01-29 v1
摘要
本文重新思考稳定手臂机器人操作，提出一种基于弱监督框架的方案，将校准感知与被动控制相结合。不同于传统自动化依赖耗费人力的二维标注，本框架利用可重复使用的热身轨迹提取隐式空间信息，从而实现无需外部标 fiducial 或手动深度标注的校准感知、深度分辨率感知。通过显式刻画观察模型与校准模型之间的残差，系统从记录的热身轨迹中建立任务空间误差预算。该不确定性预算在95%置信水平下实现约49微米的横向闭环精度（最坏情况测试子集），在大范围平面移动时深度精度控制在95%置信区间内≤291微米。在N=8的组内用户研究中，学习到的智能体相对于简单稳定手臂辅助基线，整体NASA-TLX工作负担降低了77.1%。这些结果表明，弱监督智能体在不引入复杂 setup 要求的情况下，提升了基于显微镜的生物医学微操作的可靠性，为显微镜引导的介入操作提供了实用框架。
引用
@article{arxiv.2601.20776,
title = {Learning From a Steady Hand: A Weakly Supervised Agent for Robot Assistance under Microscopy},
author = {Huanyu Tian and Martin Huber and Lingyun Zeng and Zhe Han and Wayne Bennett and Giuseppe Silvestri and Gerardo Mendizabal-Ruiz and Tom Vercauteren and Alejandro Chavez-Badiola and Christos Bergeles},
journal= {arXiv preprint arXiv:2601.20776},
year = {2026}
}