基于在线专家纠正的样本高效强化学习用于内窥镜分叉导航中的导管引导
机器人学
2026-02-25 v1
摘要
机器人辅助的内窥镜介入提供了安全有效的远程导管操控方案，降低了辐射暴露并实现精准导航。强化学习（RL）近期作为自主导管引导的有前景方法，但传统方法 suffer 于稀疏奖励设计和依赖静态血管模型的局限，限制了样本效率和对内手术变异的泛化能力。为克服这些挑战，本文提出一种针对内窥镜分叉导航的样本高效 RL 框架，集成在线专家纠正。该框架包含三个关键组件：（1）基于分割的姿态估计模块提供精准实时状态反馈；（2）基于分叉的模糊控制器用于姿态调整；（3）集成专家先验的结构化奖励生成器引导策略学习。通过利用在线专家纠正，该框架降低了探索效率损失，增强了在复杂血管结构中的策略鲁棒性。在使用透明血管幻影模型的机器人平台上进行的实验验证表明，所提方法实现了 123 个训练周期的收敛——相较于基线 Soft Actor-Critic（SAC）算法，仅需 25.9% 的训练周期，同时将平均位置误差降低至基线的 83.8%。这些结果表明，结合样本高效 RL 与在线专家纠正，可在内窥镜导航中尤其关键的解剖学复杂分叉场景下实现可靠且精确的导管引导。
引用
@article{arxiv.2602.20215,
title = {Vision-Based Reasoning with Topology-Encoded Graphs for Anatomical Path Disambiguation in Robot-Assisted Endovascular Navigation},
author = {Jiyuan Zhao and Zhengyu Shi and Wentong Tian and Tianliang Yao and Dong Liu and Tao Liu and Yizhe Wu and Peng Qi},
journal= {arXiv preprint arXiv:2602.20215},
year = {2026}
}
备注
This paper has been accepted by IEEE ICRA 2026. 8 pages, 3 figures, 3 tables