基于从示范学习的可变形环境中机器人导管鲁棒路径规划
机器人学
2024-09-04 v2
摘要
目的：使用转向能力有限的导管在迂曲和可变形的血管中导航，凸显了对可靠路径规划的需求。最先进的路径规划器未能充分考虑环境的可变形特性。方法：本工作提出了一种基于从示范学习方法的鲁棒路径规划器，称为课程生成对抗模仿学习（C-GAIL）。该路径规划框架考虑了可转向导管与血管壁之间的相互作用以及血管的可变形特性。结果：仿真对比实验表明，与基于GAIL的最先进方法相比，所提出的网络在静态环境中的成功率提高了38%，在动态环境中提高了17%。体外验证实验表明，所提出的C-GAIL路径规划器生成的路径实现了1.260.55mm的靶向误差和5.183.48mm的追踪误差。这些结果分别比传统的中心线跟随技术在靶向误差和追踪误差上改善了41%和40%。结论：所提出的C-GAIL路径规划器优于最先进的GAIL方法。体外验证实验表明，所提出的C-GAIL路径规划器生成的路径与本研究中使用的气动人工肌肉驱动导管的实际转向能力更匹配。因此，所提出的方法可以为用户提供增强的支持，以更高的精度将导管导航至目标，有效满足临床精度要求。意义：所提出的路径规划框架在处理与血管变形相关的不确定性方面表现出优越的性能，从而降低了追踪误差。
引用
@article{arxiv.2402.00537,
title = {Robust Path Planning via Learning from Demonstrations for Robotic Catheters in Deformable Environments},
author = {Zhen Li and Chiara Lambranzi and Di Wu and Alice Segato and Federico De Marco and Emmanuel Vander Poorten and Jenny Dankelman and Elena De Momi},
journal= {arXiv preprint arXiv:2402.00537},
year = {2024}
}
备注
11 pages, 10 figures