日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

医療ロボティクス/模倣学習arXiv:2508.19191

RCM-ACT: 動的RCMキャリブレーションを用いた模倣学習による眼内異物の自律除去

RCM-ACT: Imitation Learning with Dynamic RCM Calibration for Autonomous Intraocular Foreign Body Removal

シェア:XThreadsFacebookLINEはてブBluesky

眼内異物除去のための模倣学習フレームワークRCM-ACTを提案し、RCMの動的キャリブレーションとアクションチャンキングを組み合わせることで、未キャリブレーションの顕微鏡下でリング把持・位置決めタスクを自律的に達成した。

詳しい要約

1. どんなもの?

- 眼内異物除去のための自律マニピュレーションを目指す模倣学習フレームワーク RCM-ACT の提案 - 対象タスクは人工眼モデル内での ring grasping と positioning - stereo visual data と instrument kinematics のみで学習し、explicit depth sensing を用いない - 顕微鏡が未キャリブレーションの条件下でも end-to-end の自律動作を実現することを狙う

2. 先行研究と比べてどこがすごい?

- 既存の眼内手術ロボットは主に manual teleoperation 依存で学習曲線が急である点を課題として指摘 - 先行研究との具体的な比較数値は要旨からは不明 - 変動する motion scaling や RCM point variation に由来する kinematic uncertainties への対処を明示した点が特徴 - 未キャリブレーション顕微鏡下での end-to-end autonomy の実装を示した点を主張

3. 技術・手法の肝は?

- RCM dynamic calibration を導入し、intraocular instrument variation による座標系の不整合を解消 - RCM-ACT architecture は action chunking transformers と episode-level kinematic realignment を組み合わせる - 学習データは人工眼モデルでの expert demonstrations の stereo visual data と instrument kinematics のみ - explicit depth sensing なしで ring grasping と positioning を実行する設計

4. どうやって有効だと検証した?

- 人工眼モデルでの expert demonstrations を用いて学習し、ring grasping と positioning タスクで検証 - 未キャリブレーション顕微鏡条件下で end-to-end autonomy が実装できたと報告 - 3-D Euclidean grasp deviation の平均 0.686 mm を達成 - full-task successes は 11/20 と報告

5. 議論はある?

- 眼内の限られた空間での millimeter-level precision が要求される点を背景に議論 - kinematic uncertainties と座標系不整合への対処が自律化の鍵であると位置づけ - 人工眼モデルでの結果であり、実眼や多様な器具変動への一般化については要旨からは不明 - 複雑な眼内処置への intelligent eye surgical systems の基盤になり得ると述べる

6. 次に読むべき論文は?

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法として imitation learning、action chunking transformers、RCM (Remote Center of Motion) 制御、teleoperation 型眼内手術ロボットの文献を次に読む候補として挙げる - 具体的な論文名は要旨からは不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yue Wang, Wenjie Deng, Haotian Xue, Di Cui, Yiqi Chen, Mingchuan Zhou, Haochao Ying, Jian Wu

分類: cs.RO

原文アブストラクト

Intraocular foreign body removal demands millimeter-level precision in confined intraocular spaces, yet existing robotic systems predominantly rely on manual teleoperation with steep learning curves. To address the challenges of autonomous manipulation, particularly kinematic uncertainties from variable motion scaling and Remote Center of Motion (RCM) point variation, we propose RCM-ACT, an imitation learning framework for autonomous intraocular foreign body ring manipulation. Our approach integrates RCM dynamic calibration to resolve coordinate system inconsistencies caused by intraocular instrument variation and introduces the RCM-ACT architecture, which combines action chunking transformers with episode-level kinematic realignment. Trained solely on stereo visual data and instrument kinematics from expert demonstrations in an artificial eye model, RCM-ACT successfully completes ring grasping and positioning tasks without explicit depth sensing. Experimental validation demonstrates the successful implementation of end-to-end autonomy under uncalibrated microscopy conditions, achieving a mean 3-D Euclidean grasp deviation of 0.686 mm and 11/20 full-task successes. The results provide a viable framework for developing intelligent eye surgical systems capable of complex intraocular procedures.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI