FF-SRL: High Performance GPU-Based Surgical Simulation For Robot Learning

要約

ロボット手術は急速に発展している分野であり、手術作業の自動化から大きな恩恵を受けることができる。しかし、強化学習(RL)のようなトレーニング技術は、一般的に実際の手術システムで実行するには危険で非現実的な、多くのタスクの繰り返しを必要とする。このため、現実的であるだけでなく、計算効率が高く、スケーラブルなシミュレーション手術環境の必要性が強調されている。我々はロボット手術のための高性能学習環境であるFF-SRL（Fast and Flexible Surgical Reinforcement Learning）を紹介する。FF-SRLでは、物理シミュレーションとRLポリシーの学習が、すべて1つのGPU上で実行されます。これにより、CPUとGPU間のデータ転送に伴う典型的なボトルネックを回避し、学習速度の高速化を実現しています。その結果、FF-SRLは一般的なCPU/GPUシミュレータと比較して、複雑な組織操作タスクの学習時間を数分と一桁短縮することができました。このような高速化は、RL技術の実験を容易にし、新世代の手術システムの開発に貢献する可能性がある。このため、我々のコードをコミュニティに公開している。

要約(オリジナル)

Robotic surgery is a rapidly developing field that can greatly benefit from the automation of surgical tasks. However, training techniques such as Reinforcement Learning (RL) require a high number of task repetitions, which are generally unsafe and impractical to perform on real surgical systems. This stresses the need for simulated surgical environments, which are not only realistic, but also computationally efficient and scalable. We introduce FF-SRL (Fast and Flexible Surgical Reinforcement Learning), a high-performance learning environment for robotic surgery. In FF-SRL both physics simulation and RL policy training reside entirely on a single GPU. This avoids typical bottlenecks associated with data transfer between the CPU and GPU, leading to accelerated learning rates. Our results show that FF-SRL reduces the training time of a complex tissue manipulation task by an order of magnitude, down to a couple of minutes, compared to a common CPU/GPU simulator. Such speed-up may facilitate the experimentation with RL techniques and contribute to the development of new generation of surgical systems. To this end, we make our code publicly available to the community.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL