Learning from imperfect demonstrations in a surgical training task
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 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 découle