基于合成数据的强化学习面向跟随式机器人内镜导航
机器人学
2026-01-07 v1
摘要
自主导航对于医疗和工业内镜机器人至关重要，使其能够在狭窄管状环境中安全、高效地进行探索，而无需持续的人类干预。在此基础上，避免与内壁接触一直是先前方法面临的长期挑战。我们提出了一种基于柔性连续结构的跟随式内镜机器人，以最小化内镜身体与肠壁之间的接触，从而减少患者不适感。为实现此目标，我们提出一种基于单目深度估计的视觉驱动深度强化学习框架。我们在 NVIDIA Omniverse 中构建了逼真的肠道模拟环境，用于训练和评估自主导航策略。此外，使用 NVIDIA Replicator 生成了数千张合成肠腔图像，以微调 Depth Anything 模型，使其能够仅通过单目摄像头获取肠道环境的稠密三维感知。随后，我们引入几何感知奖励和惩罚机制，以实现精确的腔隙跟踪。与原始 Depth Anything 模型相比，我们的方法将深度精度提升 39.2%，将导航 J 指数降低 0.67（相对于第二好的方法），显示出该方法的鲁棒性和有效性。
引用
@article{arxiv.2601.02798,
title = {Reinforcement Learning for Follow-the-Leader Robotic Endoscopic Navigation via Synthetic Data},
author = {Sicong Gao and Chen Qian and Laurence Xian and Liao Wu and Maurice Pagnucco and Yang Song},
journal= {arXiv preprint arXiv:2601.02798},
year = {2026}
}