18、深度学习与机器人技术在外科手术中的应用

深度学习与机器人技术在外科手术中的应用

1. 抓取策略与卷积神经网络

在评估工作中，所使用的物品安排包含了极具挑战性的对象，如普通罐子、小圆形物体、可变形物品和杂乱场景。这使得与以往研究在对象难度上存在误差，难以直接对比详细精度。工作重点并非评判哪个系统最优，因为缺乏标准化基准无法进行此类比较，而是分析完全基于原始独立收集数据的抓取策略在复杂多样抓取场景中的扩展性。

相关领域还包括机器人到达动作的协调与反馈，以及视觉伺服。视觉伺服通常旨在利用视觉输入将相机或末端执行器移动到理想姿态，常依赖手动设计或计算的特征进行输入控制。而光度视觉伺服使用目标图像而非特征，且一些视觉伺服策略无需机器人与相机预先校准。不过，此前尚无基于学习的方法利用视觉伺服直接进入能提高特定任务（如抓取）成功率的姿态。

为预测提高抓取成功率的理想电机指令，作者使用基于抓取成功率预测训练的卷积神经网络（CNNs）。尽管CNN技术已存在许久，但近年来在众多计算机视觉基准测试中取得显著进展，成为计算机视觉系统的标准。不过，与在物品识别、定位和分割等静态感知任务中的应用相比，CNN在机械控制问题中的应用较少。一些工作将CNN用于深度强化学习应用，如玩电子游戏、执行简单视觉伺服任务空间运动、控制简单模拟机械系统和执行各种机器人控制任务，但大多应用于简单或人造空间，且数据集较小。

相关应用列表

• 玩电子游戏
• 执行简单视觉伺服任务空间运动
• 控制简单模拟机械系统
• 执行各种机器人控制任务

2. 外科手术机器人与深度学习

多年来，直观外科公司凭借达芬