Deep Reinforcement Learning for Concentric Tube Robot Path Planning

要約

外科的介入が低侵襲アプローチに向かう傾向にあるため、脳、眼、胎児鏡手術、肺、心臓、前立腺の手術などのさまざまな介入のためにコンセントリックチューブロボット（CTR）が研究されてきました。
同心円状に配置された各チューブは、ロボットのエンドエフェクターの位置を移動させるために独立して回転および平行移動するため、運動学と制御が困難になります。
古典的なモデルベースのアプローチは、順運動学と形状推定の両方において、より古典的なアプローチを上回る深層学習ベースのアプローチの開発により以前に研究されてきました。
私たちは、2 ～ 4 つのシステムにわたって一般化する制御のための深層強化学習アプローチを提案します。これは、CTR に対する他の深層学習アプローチではまだ達成されていない要素です。
このようにして、制御アプローチのロバスト性の可能性を調査します。
また、チューブの作動に適用される回転制約の影響と誤差メトリクスへの影響も調査されます。
パス追従タスクの逆運動学誤差と追跡誤差を評価し、その結果を最先端の方法を使用して達成された結果と比較します。
さらに、現在の結果はシミュレーションで実行されるため、ドメインのランダム化として知られるドメイン転送アプローチも調査し、ハードウェア実装に向けた最初のステップとしてエラー メトリックを評価します。
最後に、私たちの方法を文献にあるヤコビアンのアプローチと比較します。

要約(オリジナル)

As surgical interventions trend towards minimally invasive approaches, Concentric Tube Robots (CTRs) have been explored for various interventions such as brain, eye, fetoscopic, lung, cardiac and prostate surgeries. Arranged concentrically, each tube is rotated and translated independently to move the robot end-effector position, making kinematics and control challenging. Classical model-based approaches have been previously investigated with developments in deep learning based approaches outperforming more classical approaches in both forward kinematics and shape estimation. We propose a deep reinforcement learning approach to control where we generalise across two to four systems, an element not yet achieved in any other deep learning approach for CTRs. In this way we explore the likely robustness of the control approach. Also investigated is the impact of rotational constraints applied on tube actuation and the effects on error metrics. We evaluate inverse kinematics errors and tracking error for path following tasks and compare the results to those achieved using state of the art methods. Additionally, as current results are performed in simulation, we also investigate a domain transfer approach known as domain randomization and evaluate error metrics as an initial step towards hardware implementation. Finally, we compare our method to a Jacobian approach found in literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google