SurRoL
Simulatore per l'apprendimento di robot chirurgici compatibile con il da Vinci Research Kit
Licenza
MIT
Panoramica
SurRoL è una piattaforma di simulazione open source per addestrare robot chirurgici con l'apprendimento per rinforzo, sviluppata presso la Chinese University of Hong Kong per il da Vinci Research Kit. Offre 14 ambienti di compiti chirurgici, dalla manipolazione dell'ago e il controllo della telecamera al trasferimento di pioli (peg transfer), tramite un'API in stile OpenAI Gym. Policy apprese in simulazione sono state trasferite su robot dVRK fisici.
SurRoL è una piattaforma di simulazione open source dedicata all'intelligenza incarnata in chirurgia, sviluppata da ricercatori della Chinese University of Hong Kong (CUHK). Fornisce un ambiente incentrato sull'apprendimento per rinforzo per addestrare robot chirurgici autonomi, pienamente compatibile con il da Vinci Research Kit (dVRK). La piattaforma integra i motori fisici PyBullet e Taichi con un'API in stile OpenAI Gym e permette ai ricercatori di sviluppare, confrontare e impiegare algoritmi di RL per compiti chirurgici che vanno dalla semplice manipolazione dell'ago a procedure bimanuali complesse.
La piattaforma include 14 ambienti di compiti chirurgici integrati, organizzati per difficoltà: azioni fondamentali (raggiungimento dell'ago, recupero della garza, presa dell'ago, ripresa dell'ago), controllo della telecamera endoscopica (raggiungimento ECM, orientamento, inseguimento statico e attivo) e addestramento di abilità avanzate (trasferimento di pioli, trasferimento bimanuale di pioli, infilatura dell'ago, pick and place). Ogni compito offre una simulazione realistica basata sulla fisica, con presa basata sull'attrito e interazione con i tessuti molli, e crea un banco di addestramento completo per la ricerca sull'automazione chirurgica.
L'evoluzione più recente di SurRoL, il framework VPPV (Vision-Perception-Policy-Verification) pubblicato su Science Robotics nel 2025, dimostra un'intelligenza incarnata chirurgica end-to-end. Comprende moduli di percezione addestrati su dati di simulazione, l'apprendimento di policy RL con componenti di visione preaddestrati e un trasferimento sim-to-real zero-shot riuscito su robot dVRK fisici. La piattaforma supporta anche l'addestramento con l'essere umano nel loop tramite dispositivi aptici Touch ed è stata validata sia in esperimenti su tessuti ex vivo sia in prove chirurgiche su animali vivi.
Perché è importante
L'autonomia dei robot chirurgici è una delle applicazioni dell'apprendimento per rinforzo con il maggiore impatto in ambito sanitario, con il potenziale di ridurre gli errori chirurgici, ampliare l'accesso a procedure di alta qualità e rendere possibile una precisione sovrumana nella chirurgia mininvasiva. SurRoL colma il divario critico tra la ricerca sull'IA e la pratica chirurgica clinica offrendo una piattaforma di simulazione standardizzata e open source che affronta la sfida del trasferimento sim-to-real per la piattaforma di robot chirurgici più diffusa al mondo, il sistema da Vinci.
L'importanza del progetto è ulteriormente amplificata dal suo percorso di pubblicazioni, da IROS 2021 fino a Science Robotics 2025, che mostra capacità sempre più sofisticate, tra cui i primi test al mondo di automazione chirurgica multi-compito su un animale vivo. Abbassando la barriera d'ingresso alla ricerca sulla robotica chirurgica e fornendo pipeline di trasferimento sim-to-real validate, SurRoL accelera lo sviluppo di capacità chirurgiche autonome che potrebbero trasformare radicalmente il modo in cui si pratica la chirurgia in tutto il mondo.
Il problema che risolve
Addestrare robot chirurgici autonomi in veri ambienti clinici è proibitivamente costoso, lungo e comporta rischi significativi per la sicurezza dei pazienti. I robot chirurgici fisici come il sistema da Vinci costano milioni di dollari, e ogni iterazione di addestramento nel mondo reale rischia di danneggiare apparecchiature costose o, in contesti clinici, di nuocere ai pazienti. Ne nasce un classico problema dell'uovo e della gallina: l'IA chirurgica ha bisogno di molti dati di addestramento e cicli di iterazione, ma gli ambienti chirurgici reali non possono fornirli in sicurezza.
SurRoL risolve il problema offrendo un ambiente di simulazione ad alta fedeltà che modella con accuratezza la cinematica dei robot chirurgici, la fisica degli strumenti e le interazioni con i tessuti, il tutto compatibile con le convenzioni di controllo del robot dVRK reale. I ricercatori possono iterare rapidamente sugli algoritmi di RL in simulazione con migliaia di episodi di addestramento in parallelo, per poi trasferire le policy apprese direttamente sui robot fisici in modalità zero-shot o con un fine-tuning minimo. La piattaforma affronta anche la frammentazione della ricerca sulla robotica chirurgica fornendo benchmark standardizzati, metriche di valutazione coerenti e configurazioni sperimentali riproducibili che permettono un confronto equo tra approcci di apprendimento diversi.
Punti chiave
- Fornisce 14 ambienti standardizzati di compiti chirurgici con livelli di difficoltà crescenti per confrontare algoritmi di RL sul da Vinci Research Kit (dVRK)
- Dimostra un trasferimento sim-to-real zero-shot riuscito delle policy chirurgiche apprese dalla simulazione a robot dVRK fisici, validato in prove su animali vivi
- Supporta l'addestramento con l'essere umano nel loop tramite dispositivi aptici Touch, rendendo possibile un apprendimento per rinforzo guidato da dimostrazioni e interattivo per i compiti chirurgici
- Pubblicato su Science Robotics nel 2025 come framework VPPV, con le prime operazioni chirurgiche autonome multi-compito al mondo su un animale vivo
- Completamente open source con licenza MIT e API compatibile con OpenAI Gym, abbassa la barriera d'ingresso alla ricerca sulla robotica chirurgica e sull'IA medica
A chi si rivolge
- Ricercatori di robotica chirurgica che sviluppano sistemi di controllo autonomi per la chirurgia mininvasiva
- Ricercatori di apprendimento per rinforzo in cerca di domini applicativi reali e impegnativi con requisiti di trasferimento sim-to-real
- Ingegneri di IA medica che costruiscono pipeline di percezione e controllo per robot chirurgici clinici
- Studenti e docenti di robotica che studiano manipolazione, controllo e apprendimento in contesti sanitari
- Sviluppatori di tecnologie cliniche che valutano l'automazione chirurgica assistita dall'IA per l'impiego in ospedale
Limiti
- Richiede Ubuntu 20.04 con dipendenze specifiche da Python 3.7 e ROS Noetic, il che limita lo sviluppo multipiattaforma e la compatibilità con l'ecosistema Python moderno
- La simulazione fisica, pur migliorata con Taichi per i corpi morbidi, non riesce ancora a replicare del tutto la complessità del comportamento reale dei tessuti biologici durante l'intervento
- È incentrata esclusivamente sull'ecosistema del da Vinci Research Kit, il che la rende meno applicabile ad altre piattaforme di robot chirurgici come Medtronic Hugo o CMR Versius
- Il divario sim-to-real resta una sfida per le procedure complesse in più fasi, e la validazione attuale è limitata a sotto-compiti chirurgici di orizzonte relativamente breve
- Manca di un rendering fotorealistico rispetto a piattaforme più recenti come ORBIT-Surgical (NVIDIA Isaac Sim), il che può limitare la fedeltà dell'apprendimento di policy basate sulla visione