通过从可变形环境中的机器人导管示范中学习来进行稳健的路径规划

科学领域:

• 医疗机器人 医疗机器人
• 计算几何学的计算几何学
• 机器学习 机器学习

背景情况:

• 使用导管导航曲折和可变形的血管需要精确的路径规划.
• 当前的路径规划者往往未能充分解决生物环境的可变性.

研究的目的:

• 开发一个强大的路径规划框架,考虑导管-血管相互作用和血管变形性.
• 在复杂的解剖结构中提高导管导航的准确性.

主要方法:

• 提出了一个名为课程生成对抗模仿学习 (C-GAIL) 的新型路径规划器.
• C-GAIL采用了通过演示学习的方法,考虑了血管的可变形性质和导管壁相互作用.
• 进行了in-silico比较实验和体外验证.

主要成果:

• 与GAIL相比,C-GAIL在静态环境中成功率高出38%,在动态环境中成功率高出17%.
• 在体外验证显示,准误差为1.26 ± 0.55毫米,跟踪误差为5.18 ± 3.48毫米.
• 这些结果代表了41%和40%的改进,而不是传统的中线遵循技术.

结论:

• C-GAIL路径规划器在可变形环境中表现出卓越的性能,超过了最先进的方法.
• 生成的路径更好地与导管转向功能保持一致,增强了对准确导航的用户支持.
• 该框架有效地管理容器变形不确定性,从而减少跟踪错误并满足临床准确性要求.