A VR Training System for Robot-Assisted Vascular Intervention with Dual-Mode Control and Model-Based Interaction Response

📄 arXiv: 2610.19413v1 📥 PDF

作者: Yining Shang, Shuxiang Guo, Sheng Cao, Pengcheng Li, Bin Wang, Mingchao Ding

分类: cs.RO

发布日期: 2026-10-14

备注: 8 pages, 7 figures, submitted to a IEEE journal

💡 一句话要点

提出一种双模式控制的VR训练系统以提升机器人辅助血管介入的效果

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 虚拟现实 机器人辅助 血管介入 交互反馈 训练系统 导丝控制 医疗培训

📋 核心要点

  1. 现有的机器人辅助血管介入训练系统在导丝控制和交互反馈方面存在不足，难以有效模拟真实操作中的复杂情况。
  2. 本文提出的VR训练系统结合了异步双模式命令映射和无传感器交互估计，能够实现更精确的导丝控制和反馈。
  3. 实验结果显示，经过VR训练，参与者在物理模型任务中的成功率显著提高，完成时间明显缩短，验证了系统的有效性。

📝 摘要（中文）

本文提出了一种虚拟现实训练系统，旨在提高机器人辅助血管介入中的机器人控制精度和导丝与血管交互的反馈效果。该系统结合了异步双模式命令映射与无传感器交互估计，支持速度控制导航和基于位置的增量操作。通过结合导丝变形和Hunt-Crossley型接触响应，系统能够估计交互强度，并通过轨迹可视化支持术后回顾。实验结果显示，在三种速度档和位置模式下，命令调度模式存在明显差异，且在混合场景导航中，导丝在血管模型内弯曲时，估计的响应强度显著增加。初步研究表明，经过VR训练后，15名新手在物理模型任务中的成功率从53.3%提升至93.3%，平均完成时间从132.4秒减少至96.7秒，展示了该系统的双模式操作和变形敏感反馈的潜力。

🔬 方法详解

问题定义：本文旨在解决机器人辅助血管介入训练中导丝控制不精确和交互反馈不足的问题。现有方法无法有效模拟导丝与血管之间的复杂交互，导致训练效果不佳。

核心思路：论文提出的VR训练系统通过异步双模式命令映射与无传感器交互估计相结合，提供了速度控制和位置驱动的增量操作，增强了导丝的控制精度和交互反馈。

技术框架：系统整体架构包括命令输入模块、交互估计模块和反馈可视化模块。命令输入模块负责接收用户的操作指令，交互估计模块通过导丝变形和接触响应估计交互强度，反馈可视化模块则提供术后回顾的轨迹展示。

关键创新：最重要的技术创新在于结合了导丝变形与Hunt-Crossley型接触响应的交互估计方法，能够实时反映导丝在血管内的状态变化，显著提升了训练的真实感和有效性。

关键设计：系统设计中采用了多种参数设置以优化交互估计的准确性，并通过轨迹分析计算出累积创伤工作（CTW）值，确保反馈的及时性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，经过VR训练，参与者在物理模型任务中的成功率从53.3%提升至93.3%，平均完成时间从132.4秒减少至96.7秒，验证了系统在提高训练效果方面的显著优势。

🎯 应用场景

该研究的潜在应用领域包括医疗培训、机器人手术模拟和虚拟现实教育等。通过提升机器人辅助血管介入的训练效果，能够为医疗专业人员提供更为真实的操作体验，从而提高其临床技能和应对复杂情况的能力，未来可能对医疗行业产生深远影响。

📄 摘要（原文）

Virtual reality training for robot-assisted vascular intervention requires accurate robotic control and effective feedback on guidewire--vessel interactions. This paper presents a VR training system combining asynchronous dual-mode command mapping with sensorless interaction estimation. The system supports velocity-controlled navigation and position-driven incremental manipulation. Guidewire deformation and a Hunt--Crossley-type contact response are combined and temporally filtered to estimate interaction intensity, while trajectory-based visualization supports post-procedure review. Tests confirmed distinct command-dispatch patterns across three velocity gears and the position mode. During hybrid-scene navigation, the estimated response remained low during straight insertion and increased as the guidewire bent within the vascular model. Trajectory analysis yielded a model-derived cumulative trauma work (CTW) value of 15.166 in normalized units and localized regions of elevated interaction. In a preliminary study with 15 novices, physical-phantom task success increased from 53.3% to 93.3% after VR training, while mean completion time decreased from 132.4 s to 96.7 s. These results demonstrate the system's dual-mode operation, deformation-sensitive feedback, and potential to improve subsequent physical-phantom task performance.