SonoGym：针对具有机器人超声声学的挑战性手术任务的高性能仿真
机器人学
2025-07-03 v1
摘要
超声声学（US）因其实时性、无创性和成本效益而广泛用于医学成像。机器人超声声学进一步提升了其效用，通过减少对操作员的依赖并改善对复杂解剖区域的访问。为此，尽管深度强化学习（DRL）和模仿学习（IL）在自主导航方面显示出潜力，但在复杂手术任务（如解剖重建和手术引导）中应用仍受限——主要由于缺乏针对这些任务的真实且高效的仿真环境。我们引入 SonoGym，一个针对复杂机器人超声声学任务的可扩展仿真平台，支持在数十至数百个环境中进行并行仿真。我们的框架通过两种方法（物理基方法和生成模型方法）实现对来自 CT 衍生的解剖 3D 模型的 US 数据的真实且实时仿真。SonoGym 使 DRL 和最新 IL 代理（视觉转换器和扩散策略）能够针对机器人骨科手术中的相关任务进行训练，通过集成常见机器人平台和骨科操作器件。我们进一步集成亚模块 DRL——一种处理历史相关奖励的最新方法——用于解剖重建和机器人安全强化学习。我们的结果展示了在各种情形下成功的策略学习，同时也凸显了当前方法在临床相关环境中的局限性。我们认为我们的仿真可以促进机器人学习方法在此类具有挑战性的机器人手术应用方面的研究。数据集、代码和视频均在 https://sonogym.github.io/ 上公开。
引用
@article{arxiv.2507.01152,
title = {SonoGym: High Performance Simulation for Challenging Surgical Tasks with Robotic Ultrasound},
author = {Yunke Ao and Masoud Moghani and Mayank Mittal and Manish Prajapat and Luohong Wu and Frederic Giraud and Fabio Carrillo and Andreas Krause and Philipp Fürnstahl},
journal= {arXiv preprint arXiv:2507.01152},
year = {2025}
}
备注
21 pages, 15 figures