Learning from imperfect demonstrations in a surgical training task
Notice bibliographique
Résumé
Robotic surgery offers several advantages over traditional techniques, including improved precision, greater consistency, and enhanced dexterity. Learning from demonstrations (LfD) is a promising approach for transferring expert skills to robots, thereby alleviating clinicians’ physical workload. However, a major challenge in surgical robotics is that demonstration data often includes suboptimal or failed behaviors due to human error, fatigue, or the inherent complexity of surgical tasks. Discarding such imperfect data results in the loss of valuable information and hinders the scalability of data-driven surgical skill acquisition. In this work, we propose a novel LfD optimization framework capable of learning from a broad spectrum of demonstrations—including successful, suboptimal, and failed attempts. Our method employs a dual probabilistic modeling strategy to encode demonstrations and formulates a multi-objective optimization problem under novel problem conditions to find an optimal reproduction. We validate our approach on the standard ring-and-rail task, a representative surgical training task requiring high-precision and dexterous manipulation. Real-world experiments using the da Vinci Research Kit (dVRK) show that, even in the presence of failure cases within the demonstration set, our method produces optimized trajectories that enable the patient-side manipulator to successfully guide the ring along the curved wire without contact. These results demonstrate the robustness and effectiveness of our approach in learning from imperfect data, underscoring its potential for real-world deployment in robot-assisted surgery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».