深度强化学习用于同心管机器人路径规划
摘要：对于脑部、眼部、胎儿镜、肺部、心脏和前列腺手术等各个手术的介入，手术干预趋向于微创手术，测径向管机器人(CTRs)被应用于这一领域。每个测径向管独立地旋转和平移，以移动机器人末端执行器的位置，使得运动学和控制变得具有挑战性。过去的研究中，曾经研究了经典的基于模型的方法，而以深度学习为基础的方法在正向运动学和形状估计方面表现出色，超越了传统方法。我们提出了一种深度强化学习方法，以控制横跨两到四个系统的泛化能力，这是任何其他针对CTRs的深度学习方法尚未实现的。通过这种方式，我们探索了控制方法的可能鲁棒性。同时，我们还研究了施加在管致动上的旋转约束对误差度量的影响。我们评估了逆运动学误差和路径跟踪误差，并将结果与最先进的方法进行了比较。此外，由于目前的结果是在仿真中进行的，我们还研究了一种称为域随机化的域转移方法，并评估了误差度量作为硬件实施的初始步骤。最后，我们将我们的方法与文献中的雅可比方法进行了比较。
作者：Keshav Iyengar, Sarah Spurgeon and Danail Stoyanov
论文ID：2301.09162
分类：Robotics
分类简称：cs.RO
提交时间：2023-09-01