Robust Path Planning via Learning from Demonstrations for Robotic Catheters in Deformable Environments

要約

限られた操縦能力を持つカテーテルを使用して曲がりくねった変形可能な血管を通過するナビゲーションでは、信頼性の高い経路計画の必要性が強調されます。
最先端のパス プランナーは、環境の変形しやすい性質を完全には考慮していません。
この研究では、Curriculum Generative Adversarial Imitation Learning (C-GAIL) と呼ばれる、デモンストレーションからの学習方法による堅牢なパス プランナーを提案しています。
この経路計画フレームワークでは、操縦可能なカテーテルと血管壁の間の相互作用と血管の変形特性が考慮されています。
インシリコでの比較実験により、提案されたネットワークは、GAIL に基づく最先端のアプローチと比較して、ターゲット設定エラーが小さく、成功率が高いことが示されています。
インビトロ検証実験は、提案された C-GAIL パス プランナーによって生成されたパスが、この研究で使用された空気圧人工筋肉駆動カテーテルの実際の操縦能力とよりよく一致することを示しています。
したがって、提案されたアプローチは、従来の中心線追従技術とは対照的に、より正確にターゲットに向かってカテーテルをナビゲートする際の強化されたサポートをユーザーに提供することができます。
ターゲティング誤差と追跡誤差は、それぞれ 1.26$\pm$0.55mm と 5.18$\pm$3.48mm です。
提案された経路計画フレームワークは、血管の変形に伴う不確実性の管理において優れたパフォーマンスを示し、その結果、追跡エラーが減少します。

要約(オリジナル)

Navigation through tortuous and deformable vessels using catheters with limited steering capability underscores the need for reliable path planning. State-of-the-art path planners do not fully account for the deformable nature of the environment. This work proposes a robust path planner via a learning from demonstrations method, named Curriculum Generative Adversarial Imitation Learning (C-GAIL). This path planning framework takes into account the interaction between steerable catheters and vessel walls and the deformable property of vessels. In-silico comparative experiments show that the proposed network achieves smaller targeting errors, and a higher success rate, compared to a state-of-the-art approach based on GAIL. The in-vitro validation experiments demonstrate that the path generated by the proposed C-GAIL path planner aligns better with the actual steering capability of the pneumatic artificial muscle-driven catheter utilized in this study. Therefore, the proposed approach can provide enhanced support to the user in navigating the catheter towards the target with greater precision, in contrast to the conventional centerline-following technique. The targeting and tracking errors are 1.26$\pm$0.55mm and 5.18$\pm$3.48mm, respectively. The proposed path planning framework exhibits superior performance in managing uncertainty associated with vessel deformation, thereby resulting in lower tracking errors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google