使用多代理团队深度Q学习的外科连续操纵控制
概括
一个新的团队深度Q学习框架 (TDQN) 增强了对外科连续操纵器的控制. 这种机器人控制方法提高了针对性的准确性,特别是在干扰下,用于复杂的内镜手术.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 手术技术 手术技术
- 人工智能的人工智能
背景情况:
- 连续操纵器为神经外科和血管外科手术等复杂手术提供了灵活性.
- 精确的控制对于机器人辅助内镜手术的成功至关重要.
研究的目的:
- 提出和评估一个团队深度Q学习框架 (TDQN) 来控制一个2度自由度 (DoF) 手术连续操纵器.
- 为了比较TDQN与多代理深度Q学习 (MADQN) 的性能.
主要方法:
- 开发一个TDQN框架,其中一对电缆作为代理人共享状态和奖励信息 (集中式学习).
- 在2-DoF电缆驱动的外科连续操纵器上验证TDQN框架.
- 使用干扰和无干扰的根平均平方误差 (RMSE) 来定量评估目标准确性.
主要成果:
- 与MADQN相比,TDQN实现了明显较低的RMSE.
- 对于TDQN跟踪的RMSE是0.82mm (有干扰) 和0.16mm (没有干扰).
- 对于MADQN跟踪的RMSE是1.52mm (有干扰) 和0.98mm (没有干扰).
结论:
- 拟议的TDQN在外科连续操纵器中表现出比MADQN更高的目标准确性.
- TDQN显示出在机器人辅助内镜手术中提高控制精度和机动性的巨大潜力,特别是在受干扰的条件下.
