- 首次评估通用模仿学习在**开腹手术(open surgery)** 中**外科医生-机器人协作辅助(surgeon-robot collaborative assistance)** 的可行性
- 针对**缝合跟随(suture following)** 任务：助手在每个缝合点执行的抓取-拉动-释放(grab-pull-release)动作
- 现有研究缺乏对多样化模仿学习策略在临床相关条件下的系统比较
- 收集**160次遥操作演示(teleoperated demonstrations)**，共**32,374帧**，基于**开源机器人臂(open-source robot arm)**
- 基准测试四种架构多样的模仿学习策略：**ACT(动作分块变换器)**、**Diffusion Policy(扩散策略)**、**SmolVLA(小型视觉-语言-动作模型)**、**π₀(π-zero)**
- 训练**28个模型**，在**32种配置** 下沿三个临床维度评估：**数据集大小(dataset size)**、**摄像头视角(camera viewpoint)**、**背景变化(background variation)**
- 将表现最佳的**π₀** 部署于**外科医生-机器人缝合试验(surgeon-robot suturing trial)**
- **首次** 在开腹手术协作辅助场景中系统性比较四种通用模仿学习策略，填补领域空白
- 发现**深度误差(depth error)** 是所有架构的主要失效模式，为后续研究指明方向
- **π₀** 凭借**预训练的视觉-语言骨干(pretrained vision-language backbone)**，在**数据效率(data efficiency)**、**背景鲁棒性(background robustness)** 和**轨迹平滑性(trajectory smoothness)** 上显著优于其他策略
- 在真实外科缝合试验中达到**92%的缝合完成率(stitch completion rate)**，验证临床可行性
- 建立了**开腹手术中机器人协作辅助** 作为模仿学习可行目标的基线评估框架
- 通过多策略、多配置的对比实验，提供了**数据规模、视角变化、背景干扰** 对性能影响的系统经验
- 强调**深度感知(depth perception)** 和**末端执行器设计(end-effector design)** 是临床转化的关键优先级
- 为后续研究提供了开源数据集和模型比较结果，促进领域标准化