Suturing Tasks Automation Based on Skills Learned From Demonstrations: A Simulation Study

要約

この研究では、自律的縫合のためのデモンストレーションからの学習 (LfD) アルゴリズムのトレーニングと評価を目的として、物理ファントムの MRI スキャンによって取得された現実的なモデルを含むオープンソースの外科シミュレーション環境を開発します。
LfD アルゴリズムは、動的移動プリミティブ (DMP) と局所加重回帰 (LWR) を利用しますが、針の把握に関してより優れた一般性を得るために、器具ではなく針の軌道に焦点を当てます。
私たちは、複数の縫合デモンストレーションを収集するためにユーザー調査を実施し、1 つのファントムの 1 つの位置でのデモンストレーションから、同じファントムの異なる位置および別のファントムへのデモンストレーションを一般化する LfD アルゴリズムの能力の包括的な分析を実行します。
私たちの結果は、より経験豊富な被験者から学習した場合に 91.5% 程度という良好な一般化を示しており、将来的にはスキル評価を統合する必要があることを示しています。

要約(オリジナル)

In this work, we develop an open-source surgical simulation environment that includes a realistic model obtained by MRI-scanning a physical phantom, for the purpose of training and evaluating a Learning from Demonstration (LfD) algorithm for autonomous suturing. The LfD algorithm utilizes Dynamic Movement Primitives (DMP) and Locally Weighted Regression (LWR), but focuses on the needle trajectory, rather than the instruments, to obtain better generality with respect to needle grasps. We conduct a user study to collect multiple suturing demonstrations and perform a comprehensive analysis of the ability of the LfD algorithm to generalize from a demonstration at one location in one phantom to different locations in the same phantom and to a different phantom. Our results indicate good generalization, on the order of 91.5%, when learning from more experienced subjects, indicating the need to integrate skill assessment in the future.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google