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

要約

目的ステアリング能力に制限のあるカテーテルを用いた、曲がりくねった変形しやすい血管を通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る。最新のパスプランナーは、環境の変形しやすい性質を十分に考慮していない。方法本研究では、Curriculum Generative Adversarial Imitation Learning (C-GAIL)と名付けた実演からの学習法を用いて、ロバストなパスプランナーを提案する。この経路計画フレームワークは、ステアラブルカテーテルと血管壁との相互作用および血管の変形可能な特性を考慮に入れている。結果インシリコ比較実験では、GAILに基づく最先端のアプローチと比較して、提案ネットワークは静的環境で38％、動的環境で17％高い成功率を達成した。体外検証実験によれば、提案するC-GAILパスプランナーによって生成された経路は、1.26$ppm$0.55mmのターゲッティング誤差と5.18$ppm$3.48mmのトラッキング誤差を達成した。この結果は、従来の中心線追従手法と比較して、照準誤差で41%、追従誤差で40%の改善である。結論提案するC-GAILパスプランナーは、最先端のGAILアプローチを凌駕する。体外検証実験により、提案するC-GAILパスプランナーによって生成された経路は、本研究で利用した空気圧人工筋肉駆動カテーテルの実際のステアリング能力によりよく整合していることが示された。したがって、提案されたアプローチは、より高い精度で目標に向かってカテーテルをナビゲートする際に、ユーザーへのサポートを強化し、臨床的な精度要件を効果的に満たすことができる。意義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を管理する上で優れた性能を示し、その結果、トラッキングエラーが低減される。

要約(オリジナル)

Objective: 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. Methods: 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. Results: In-silico comparative experiments show that the proposed network achieves a 38% higher success rate in static environments and 17% higher in dynamic environments compared to a state-of-the-art approach based on GAIL. In-vitro validation experiments indicate that the path generated by the proposed C-GAIL path planner achieves a targeting error of 1.26$\pm$0.55mm and a tracking error of 5.18$\pm$3.48mm. These results represent improvements of 41% and 40% over the conventional centerline-following technique for targeting error and tracking error, respectively. Conclusion: The proposed C-GAIL path planner outperforms the state-of-the-art GAIL approach. 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 accuracy, effectively meeting clinical accuracy requirements. Significance: 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, DeepL