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arXiv:2509.00319

深層強化学習による柔軟ロボット内視鏡の接触支援ナビゲーション:動的胃環境への適用

Contact-Aided Navigation of Flexible Robotic Endoscope Using Deep Reinforcement Learning in Dynamic Stomach

シェア:XThreadsFacebookLINEはてブBluesky

変形する胃壁との接触力を活用し、深層強化学習で柔軟ロボット内視鏡を目標位置まで高精度に誘導する手法を提案。物理シミュレーションで訓練し、静的・動的環境で100%の成功率を達成した。

詳しい要約

1. どんなもの?

- 柔軟ロボット内視鏡(FRE)を動的な胃内部で目標位置へ誘導するためのナビゲーション手法 - deep reinforcement learning (DRL) に基づく Contact-Aided Navigation (CAN) 戦略を提案 - 接触力フィードバックを利用して運動安定性とナビゲーション精度を高める - 変形する胃壁との接触を積極的に活用する点が特徴 - 対象は消化管内の手術診断・治療のためのFRE誘導

2. 先行研究と比べてどこがすごい?

- 従来のFREナビゲーションと比べ、接触力フィードバックを組み込んだDRLベースのCANを導入 - 変形する胃壁との接触を活用する必要がある動的胃環境に着目 - 静的・動的胃環境で成功率100%、平均誤差1.6 mmを達成 - 強い外乱を含む未見シナリオでも成功率85%を維持 - 要旨ではbaseline policiesを有意に上回ったと報告 - 具体的な先行研究名は要旨からは不明

3. 技術・手法の肝は?

- deep reinforcement learning (DRL) を用いたContact-Aided Navigation (CAN) 戦略 - 接触力フィードバックをナビゲーションに利用 - 学習環境は変形胃のphysics-based finite element method (FEM) シミュレーションで構築 - 学習アルゴリズムはProximal Policy Optimization (PPO) - FREのend-effectorと目標との誤差を指標にナビゲーションを最適化 - 接触を活用しつつ運動安定性と精度を両立させる設計

4. どうやって有効だと検証した?

- physics-based FEMシミュレーションの変形胃環境でPPOにより学習 - 静的・動的胃環境の両方で評価 - 成功率100%、平均誤差1.6 mmを達成 - 強い外乱を伴う未見シナリオでも成功率85%を維持 - baseline policiesとの比較で優位性を確認 - 実機実験の有無は要旨からは不明

5. 議論はある?

- 接触を積極利用することでFREのナビゲーション性能が向上することを示唆 - 動的で変形する胃環境への適応可能性を議論 - 未見の強い外乱下でも85%の成功率を維持しロバスト性を示す - 限界や失敗要因、実機展開、安全性に関する詳細は要旨からは不明 - シミュレーションと実環境のギャップについては要旨からは不明

6. 次に読むべき論文は?

- Proximal Policy Optimization (PPO) の原論文 - deep reinforcement learning (DRL) を用いた柔軟ロボット/内視鏡ナビゲーションの関連研究 - finite element method (FEM) による変形組織シミュレーションを用いたロボット学習研究 - contact-rich manipulation や contact-aided navigation に関する強化学習研究 - 要旨で参照されているbaseline policiesの具体的な論文は要旨からは不明

※ 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: Chi Kit Ng, Huxin Gao, Tian-Ao Ren, Jiewen Lai, Hongliang Ren

分類: cs.RO, cs.AI, cs.SY, eess.SY

原文アブストラクト

Navigating a flexible robotic endoscope (FRE) through the gastrointestinal tract is critical for surgical diagnosis and treatment. However, navigation in the dynamic stomach is particularly challenging because the FRE must learn to effectively use contact with the deformable stomach walls to reach target locations. To address this, we introduce a deep reinforcement learning (DRL) based Contact-Aided Navigation (CAN) strategy for FREs, leveraging contact force feedback to enhance motion stability and navigation precision. The training environment is established using a physics-based finite element method (FEM) simulation of a deformable stomach. Trained with the Proximal Policy Optimization (PPO) algorithm, our approach achieves high navigation success rates (within 3 mm error between the FRE's end-effector and target) and significantly outperforms baseline policies. In both static and dynamic stomach environments, the CAN agent achieved a 100% success rate with 1.6 mm average error, and it maintained an 85% success rate in challenging unseen scenarios with stronger external disturbances. These results validate that the DRL-based CAN strategy substantially enhances FRE navigation performance over prior methods.

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. 2newmo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
  3. 3GXO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
  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