Key points are not available for this paper at this time.
L'automatisation des robots chirurgicaux a suscité un intérêt croissant pour la recherche au cours de la dernière décennie, en raison de son potentiel à bénéficier aux chirurgiens, aux infirmiers et aux patients. Récemment, le paradigme d'apprentissage de l'intelligence incarnée a démontré une capacité prometteuse à apprendre de bonnes politiques de contrôle pour diverses tâches complexes, où les simulateurs d'IA incarnée jouent un rôle essentiel pour faciliter les recherches pertinentes. Cependant, les simulateurs open source existants pour les robots chirurgicaux ne supportent pas encore suffisamment les interactions humaines via des dispositifs d'entrée physiques, ce qui limite encore davantage les investigations efficaces sur la manière dont les démonstrations humaines influenceraient l'apprentissage des politiques. Dans ce travail, nous étudions l'intelligence incarnée avec un humain dans la boucle à l'aide d'une nouvelle plateforme de simulation interactive pour l'apprentissage des robots chirurgicaux. Plus précisément, nous établissons notre plateforme basée sur notre simulateur SurRoL précédemment publié avec plusieurs nouvelles fonctionnalités co-développées pour permettre une interaction humaine de haute qualité via un dispositif d'entrée. Nous mettons en avant l'amélioration de notre environnement de simulation avec les nouvelles fonctionnalités conçues, et validons l'efficacité de l'incorporation des facteurs humains dans l'intelligence incarnée grâce à l'utilisation de démonstrations humaines et d'apprentissage par renforcement comme exemple représentatif. Des résultats prometteurs sont obtenus en termes d'efficacité d'apprentissage. Enfin, cinq nouvelles tâches de formation pour robots chirurgicaux sont développées et publiées, avec lesquelles nous espérons ouvrir la voie à de futures recherches sur l'intelligence incarnée chirurgicale.
Long et al. (Thu,) ont étudié cette question.