开放手术中机器人辅助的模仿学习：缝线跟随的多策略评估

这项研究首次对开放式手术中外科医生与机器人协作辅助的通用模仿学习进行了评估，目标是缝合以下内容：助手在每一针处执行的抓-拉-释放动作。我们在开源机器人手臂上收集了 160 个远程操作演示（32,374 帧），对 28 个经过训练的模型的四种架构上不同的模仿学习策略（ACT、Diffusion Policy、SmolVLA、$π_0$）进行了基准测试，在 32 个配置中沿着三个临床动机维度进行了评估：数据集大小、相机视角和背景变化。我们的结果表明，在理想条件下，四种策略实现了 50$-$75\%$ 任务成功，深度误差是所有架构中的主要失败模式。在所有策略中，$π_0$ 通过预训练的视觉语言主干实现了最强的结果，展示了卓越的数据效率、对背景变化的更强鲁棒性以及与手术工作流程兼容的更平滑的轨迹。当部署在外科医生机器人缝合试验中时，$π_0$ 产生 $92\%$ 缝合完成率。这些发现将开放手术中的协作机器人辅助确立为模仿学习的可行目标，并强调深度感知和末端执行器设计是临床翻译的关键优先事项。