面向部分可观测场景的可变形组织牵开自主手术状态估计

问题背景

外科手术中组织牵开需在感知部分、噪声干扰条件下进行有效操控规划。本文聚焦于可变形组织牵开（deformable tissue retraction）的状态估计问题，其核心挑战在于决策时刻仅有稀疏、含噪的组织表面观测（sparse and noisy surface observations）。

方法设计

• 提出一种端到端学习的状态估计算法，输入为40个含噪顶点坐标，输出为完整可变形网格（deformable mesh）的隐状态；
• 架构融合多层感知机（MLP）与低维主成分分析（PCA）潜在表征；
• 引入几何感知正则化（geometry-aware regularization），显式约束预测形变满足光滑性与物理合理性（smooth and physically plausible deformations）。

实验验证

在2D可变形薄片（2D deformable sheet）仿真环境中评估：

• 支持单步与多步牵开规划（single-step and multi-step retraction planning）；
• 多步任务中达到Oracle（全知状态下的最优策略）98.1%的性能；
• 推理高效，满足实时手术辅助潜在需求。