使用HMM的轨迹学习:朝着手术机器人实施的方向
Juliana Manrique-Cordoba1, Carlos Martorell-Llobregat2, Miguel Ángel de la Casa-Lillo1
1Bioengineering Institute, Miguel Hernandez University of Elche, 03202 Elche, Spain.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
这项研究通过使用从演示学习 (LfD) 提高了手术机器人的自主性. 将力数据纳入轨迹学习可以显著提高机器人手术应用的准确性.
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
- 机器学习 机器学习
背景情况:
- 手术机器人自主性正在迅速发展.
- 从演示中学习 (LfD) 对于开发自主手术系统至关重要.
- 目前的LfD方法需要增强的轨迹表示.
研究的目的:
- 为了改善外科手术机器人在高维空间中的轨迹概括.
- 使用多维数据开发一个更全面的证明轨迹的表现.
- 增强手术应用中LfD信息的编码和解释.
主要方法:
- 扩展了Douglas-Peucker算法,包括动力学和动态轨迹数据.
- 收集并预处理的运动和力相互作用数据.
- 训练了一个隐藏的马尔科夫模型 (HMM),比较仅运动与运动与力数据.
主要成果:
- 包括力相互作用数据改善了轨迹重建的准确性.
- 使用力数据实现了0.29mm的下根平均平方误差 (RMSE),而没有力数据则为0.44mm.
- 在高维空间中展示了增强的概括性.
结论:
- 提出的方法有效地编码,简化和学习机器人轨迹.
- 整合多维轨迹数据,包括力,对手术机器人中的LfD有益.
- 这种方法促进了自主手术系统的发展.
更多相关视频
07:46Author Spotlight: Revolutionizing Remote Surgery with Augmented Reality and Robotics for Enhanced Precision and Accessibility
Published on: August 9, 2024
1.2K
10:25Technical Approach for Infrared Tracking for Soft Tissue Navigation with a Holographic Head-Mounted Display and Preclinical Validation
Published on: September 2, 2025
489
