Surgical Robot Transformer (SRT): Imitation Learning for Surgical Tasks

我们探讨了通过模仿学习来学习达芬奇机器人的外科手术操作任务。然而，达芬奇系统存在独特的挑战，阻碍了模仿学习的直接实现。特别是，由于关节测量不精确，其正向运动学不一致，使用这种近似运动学数据来训练策略通常会导致任务失败。为了克服这个限制，我们引入了相对动作公式，使得可以使用近似运动学数据进行成功的策略训练和部署。这种方法的一个有希望的结果是，包含近似运动学数据的大量临床数据库可以直接用于机器人学习，无需进一步更正。我们通过成功执行三个基本的外科手术任务，包括组织操作、针线处理和打结，来展示我们的发现。

本论文旨在探讨如何通过模仿学习来学习da Vinci机器人上的外科手术操作任务。然而，da Vinci系统存在独特的挑战，会阻碍直接实施模仿学习。

论文提出了一种相对动作公式，使得可以利用其近似运动学数据进行成功的策略训练和部署。这种方法的一个有前途的结果是，可以直接利用包含近似运动学数据的大量临床数据进行机器人学习，而无需进行进一步的校正。

论文通过成功执行三个基本的外科手术任务，包括组织操作、针线处理和打结，来展示了他们的发现。值得关注的是，该方法可以直接利用临床数据进行机器人学习，而无需进行进一步的校正。

最近在这个领域中，还有一些相关的研究正在进行。例如，题为“通过深度学习实现外科手术机器人的自主操作”的论文也探讨了机器人学习外科手术操作任务的问题。