.png){kind=icon}
返回
Safe Uncertainty-Aware Learning Framework for Robotic Suturing
.png){kind=icon}
PRE
AI
DOI：10.1109/TMRB.2025.3646752.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器人辅助微创手术目前完全由经过培训的外科医生手动控制。将自动化集成到这一过程中，在缓解问题方面具有巨大潜力，例如体力消耗、高度重复性任务以及训练有素的外科医生短缺。因此，近期研究采用了人工智能方法，显示出有前景的适应性。尽管取得了这些进展，但这些方法仍存在疑虑，因为它们缺乏可解释性和稳健的安全保证。本文提出了一种安全、具有不确定性感知的学习方法框架。我们使用针头插入的专家演示训练了一个扩散策略的集成模型。通过集成模型，我们可以量化策略的先验不确定性，用于确定分布外场景。这使得系统在出现不安全场景时能够将控制权交还给外科医生。此外，我们实现了一个无模型的控制屏障函数，对预测的动作施加正式的安全保证。我们使用先进的机器人缝合模拟器实验评估了我们提出的框架。我们评估了多种场景，如掉落针头、移动摄像头和移动仿真模型。学习到的策略通过从这些扰动中恢复而表现出纠正行为——例如，补偿移动的缝合垫——并且可以检测到分布外场景。我们进一步证明，在预测不安全的情况下，控制屏障函数成功地将动作限制在我们指定的安全集合内。
Keyword:
Diffusion policy
model ensemble
uncertainty quantification
control barrier functions
out-of-distribution detection
RMIS
robotic suturing
期刊
I
IF:
3.8
论文数:
830
被引数:
1.8K
机构
引用论文
Control Barrier Function Based Quadratic Programs for Safety Critical Systems用于安全关键系统的基于控制障碍函数的二次程序
OAAI
OAAI分享收藏A review of uncertainty quantification in medical image analysis: Probabilistic and non-probabilistic methods医学图像分析中不确定性量化的综述: 概率和非概率方法.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏
查看更多内容