安全且不确定性感知的机器人缝合学习
机器人学
2025-05-23 v1 人工智能
摘要
机器人辅助 Minimally Invasive Surgery（MIS）目前完全由训练有素的外科医生手动控制。自动化这一进程具有巨大的潜力，可缓解诸多问题，如身体负担、高度机械化重复任务以及缺乏训练有素的外科医生。出于这些原因，最近的研究利用了人工智能方法，这些方法显示出令人鼓舞的适应性。尽管取得了这些进展，但仍存在对这些方法的怀疑，因为它们缺乏可解释性和稳健的安全保证。本文提出了一种安全、不确定性感知的学习方法。我们使用外科医生针头插入的示范数据训练扩散策略的集成模型。通过集成模型，我们可以量化策略的认知不确定性，用于确定异常分布情景。这允许系统在发生不安全情景时将控制权交还给外科医生。此外，我们实现了一个无模型的控制屏障函数，以对预测动作施加形式化安全保证。我们使用最先进的机器人缝合模拟器对我们提出的方法进行实验评估。我们评估了多种情景，如放下针头、移动摄像机和移动幻影。所学会的策略对这些扰动具有鲁棒性，表现出纠正行为和泛化能力，并且可以检测异常分布情景。我们进一步表明，在不安全预测的情况下，控制屏障函数成功地将动作限制在我们指定的安全集合内。
引用
@article{arxiv.2505.16596,
title = {Safe Uncertainty-Aware Learning of Robotic Suturing},
author = {Wilbert Peter Empleo and Yitaek Kim and Hansoul Kim and Thiusius Rajeeth Savarimuthu and Iñigo Iturrate},
journal= {arXiv preprint arXiv:2505.16596},
year = {2025}
}