ORB: Operating Room Bot, Automating Operating Room Logistics through Mobile Manipulation

📄 arXiv: 2509.15600v1 📥 PDF

作者: Jinkai Qiu, Yungjun Kim, Gaurav Sethia, Tanmay Agarwal, Siddharth Ghodasara, Zackory Erickson, Jeffrey Ichnowski

分类: cs.RO

发布日期: 2025-09-19

备注: 7 pages, 5 figures, accepted as a regular conference paper in IEEE CASE 2025

💡 一句话要点

ORB：提出一种基于移动操作的机器人系统，用于自动化手术室物流。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 移动操作 机器人 手术室物流 行为树 对象识别

📋 核心要点

  1. 现有医院物流系统难以实现手术室内物品级自动化，面临感知精度、效率和无菌环境维持等多重挑战。
  2. ORB通过分层行为树整合对象识别、场景理解和GPU加速运动规划，实现手术室物流任务的自动化。
  3. 实验结果表明，ORB在手术室供应品检索和补货操作中分别实现了80%和96%的成功率。

📝 摘要（中文）

在医院手术室中，高效地向正在进行的手术运送物品至关重要。现代医院环境中，运送机器人已成功地在房间和楼层之间运输大宗物品。然而，自动化物品级的手术室物流在感知、效率和保持无菌性方面提出了独特的挑战。我们提出了手术室机器人（ORB），一个用于自动化医院手术室（OR）物流任务的机器人框架。ORB利用稳健的分层行为树（BT）架构来整合对象识别、场景理解和GPU加速的运动规划等多种功能。本文的贡献包括：（1）一种模块化软件架构，通过行为树促进稳健的移动操作；（2）一种新颖的实时对象识别流水线，集成了YOLOv7、Segment Anything Model 2（SAM2）和Grounded DINO；（3）将cuRobo并行化轨迹优化框架适配到实时、无碰撞的移动操作；（4）经验验证表明，ORB在手术室供应品检索中的成功率为80%，在补货操作中的成功率为96%。这些贡献确立了ORB作为一个可靠且适应性强的自主手术室物流系统。

🔬 方法详解

问题定义：论文旨在解决医院手术室中物品级物流自动化的难题。现有方法主要依赖人工，效率低且容易出错，同时难以保证手术室的无菌环境。现有的移动机器人主要用于大宗物品的运输，无法满足手术室内精细化的物品操作需求。

核心思路：论文的核心思路是构建一个集成了感知、规划和控制的机器人系统，利用行为树架构来协调各个模块，实现自主的物品检索和补货。通过结合先进的深度学习模型和GPU加速的运动规划算法，提高系统的效率和鲁棒性。

技术框架：ORB系统的整体架构基于分层行为树（BT），包含以下主要模块：1) 对象识别模块：使用YOLOv7、SAM2和Grounded DINO进行实时对象检测和分割；2) 场景理解模块：用于理解手术室环境，包括物品的位置和障碍物信息；3) 运动规划模块：采用cuRobo框架进行GPU加速的轨迹优化，生成无碰撞的运动轨迹；4) 移动操作模块：控制机器人进行物品的抓取和放置。

关键创新：论文的关键创新在于：1) 提出了一种模块化的软件架构，通过行为树实现各个模块的灵活组合和切换；2) 设计了一种新颖的实时对象识别流水线，融合了YOLOv7、SAM2和Grounded DINO，提高了对象识别的准确性和鲁棒性；3) 将cuRobo并行化轨迹优化框架适配到实时移动操作，提高了运动规划的效率。

关键设计：对象识别流水线中，YOLOv7用于快速检测候选对象，SAM2用于精确分割对象，Grounded DINO用于将对象与文本描述关联，从而实现更准确的对象识别。cuRobo框架利用GPU并行计算能力，加速轨迹优化过程，保证实时性。行为树的设计使得系统可以根据不同的场景和任务需求，灵活地调整行为策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ORB系统在手术室供应品检索任务中取得了80%的成功率，在补货操作中取得了96%的成功率。这些结果验证了ORB系统在实际手术室环境中的可行性和有效性，表明其能够显著提高手术室物流的效率和可靠性。

🎯 应用场景

该研究成果可应用于医院手术室、实验室等需要高精度、高效率物流的场景。通过自动化物品管理，可以减少人为错误，提高手术效率，降低感染风险，并最终改善患者的治疗效果。未来，该技术还可以扩展到其他医疗场景，如药品配送、标本运输等。

📄 摘要（原文）

Efficiently delivering items to an ongoing surgery in a hospital operating room can be a matter of life or death. In modern hospital settings, delivery robots have successfully transported bulk items between rooms and floors. However, automating item-level operating room logistics presents unique challenges in perception, efficiency, and maintaining sterility. We propose the Operating Room Bot (ORB), a robot framework to automate logistics tasks in hospital operating rooms (OR). ORB leverages a robust, hierarchical behavior tree (BT) architecture to integrate diverse functionalities of object recognition, scene interpretation, and GPU-accelerated motion planning. The contributions of this paper include: (1) a modular software architecture facilitating robust mobile manipulation through behavior trees; (2) a novel real-time object recognition pipeline integrating YOLOv7, Segment Anything Model 2 (SAM2), and Grounded DINO; (3) the adaptation of the cuRobo parallelized trajectory optimization framework to real-time, collision-free mobile manipulation; and (4) empirical validation demonstrating an 80% success rate in OR supply retrieval and a 96% success rate in restocking operations. These contributions establish ORB as a reliable and adaptable system for autonomous OR logistics.