自适应采样策略驱动的磁驱动自动化：从噪声演示中学习实现血管介入手术精准操控

《Engineering Applications of Artificial Intelligence》：Exploring magnetic actuation automation: Learning from noisy demonstrations via adaptive sampling policy

本文提出了一种基于学习（IL/RL）的磁驱动（MA）自动化框架，通过自适应采样策略从少量噪声演示数据中学习，实现双机器人臂在模拟血管环境中的端到端控制。该框架融合视觉/位姿/力等多模态信息，显著提升数据利用效率和临床适用性（零样本部署），为血管介入手术（如主动脉介入）提供安全、鲁棒的新型自动化解决方案。

　　

亮点

系统硬件配置

我们的系统概览如图2所示。该平台包含两个独立的6自由度机械臂。较大的机械臂（EC66，埃尔伯特机器人，中国）用于支撑外部永磁体（EPM），其球形工作空间半径为914毫米，有效负载高达6千克，重复定位精度为±0.02毫米。较小的机械臂（PiPER， AgileX Robotics，中国）配备了一个夹持器，用于固定和操作导丝，负责推进和回撤导丝。它提供了一个球形工作空间。

优势

我们的端到端框架利用多模态信号，包括视觉、力和关节状态，构建了自主磁驱动任务的潜在表征。该框架直接输出关节变化量，以控制双臂机器人原型系统。在自主磁驱动的实际部署中，它展现出强大的鲁棒性和适应性。在涉及噪声演示、数据质量和数量受限的场景下，我们的自适应采样策略通过优先选择信息量最大的样本，显著提高了学习效率。这减少了数据需求，并增强了模型在复杂且动态的血管环境中的泛化能力。

结论

本文提出了一种基于学习的框架，利用噪声演示在模拟血管环境中实现双臂磁驱动自动化。该框架利用多模态输入——包括视觉数据、位姿信息和力测量——以实现机器人关节的端到端控制。其核心是一个自适应采样策略，该策略能够识别信息量丰富的演示样本，并通过学习过程的反馈进行逐步优化。训练被构建为一个迭代过程，旨在提高策略在存在现实世界不确定性的情况下的性能。广泛的实验验证表明，我们的方法在离线基准测试中优于主流学习算法，并在磁驱动原型上实现了零样本部署，仅使用20条噪声演示轨迹就成功完成了体外主动脉血管介入操作。定量结果显示，与均匀采样基线相比，我们的方法在实际执行中将任务完成时间减少了6.5秒，并将有效磁驱动步骤提高了5.44%，突显了其在血管介入任务中卓越的鲁棒性、样本效率和临床适用性。