强化主动建模用于多层组织中灵活的针形状预测

科学领域:

• 机器人技术 机器人技术 机器人技术
• 医疗工程 医学工程
• 机器学习 机器学习

背景情况:

• 在组织穿刺期间预测柔性针形状是具有挑战性的,因为复杂的组织相互作用.
• 现有的方法难以准确预测,特别是在具有非高斯噪声的多层组织中.
• 可靠的针形状预测对于微创机器人手术至关重要.

研究的目的:

• 开发一种基于强化学习的新型主动建模方案,用于预测机器人的柔性针曲.
• 为了增强在针头插入复杂组织时对非高斯噪声的强度.
• 为了提高灵活的针形状预测的准确性和可靠性.

主要方法:

• 开发了一个使用扩展卡尔曼波器的活性建模方案,该波器具有噪声不敏感性的最大电流度标准.
• 将强化学习集成到主动建模方案中,创建强化学习主动建模 (RAM) 框架.
• 使用巴纳赫定点定理证明了拟议方案的理论收.

主要成果:

• 拟议的RAM方案在预测柔性针偏移方面表现出卓越的性能.
• 在非高斯噪声下,RAM在根平均平方误差 (RMSE) 中降低了46.4%.
• 在插入未知的多层组织时,RAM在变异 (Var) 中实现了超过76.1%的减少.

结论:

• 新的RAM框架有效地预测了复杂组织中灵活的机器人针曲.
• 该方法在准确性和稳定性方面取得了显著的改进,特别是在非高斯噪声条件下.
• 这种方法为机器人程序中准确的针形状预测提供了可靠的解决方案.