Experimental Trials with a Shared Autonomy Controller Framework and the da Vinci Research Kit: Pattern Cutting Tasks using Thin Elastic Materials
Notice bibliographique
Résumé
A technical challenge in robotic soft material cutting is to avoid large local deformations that result in inaccuracies or failure of the task. Additionally, reducing procedure time and human errors that occur due to fatigue and monotony are two of the most anticipated advantages of using robots in execution of repetitive subtasks for minimally invasive surgery. In our paper, we evaluate pattern cutting tasks of 2D elastic materials with shared control using the da Vinci Research Kit (dVRK). For this purpose, we developed a shared autonomy motion generator framework for pattern cutting. The framework registers user-defined Cartesian positions, creates smooth splines, interpolates the Cartesian positions, and generates a trajectory with Cartesian and joint constraints. While a pre-planned trajectory is being executed, the user may provide Cartesian offsets to modify the trajectory. We repeatedly cut shapes on 3 materials with different elasticity. Our shared control method achieved 100% success rate while performing a circular cutting task in a sheet of gauze. The user input compensated for deformations due to tearing. Task completion time of those experiments was 86 seconds (median) / 88 seconds (mean). Median and mean errors were 3.1 mm and 3 mm, respectively. Our work improves the success rate and time of completion of published pattern cutting tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».