The quality of robot-assisted surgery can be improved and the use of hospital resources can be optimized by enhancing autonomy and reliability in the robot’s operation. Logic programming is a good choice for task planning in robot-assisted surgery because it supports reliable reasoning with domain knowledge and increases transparency in the decision making. However, prior knowledge of the task and the domain is typically incomplete, and it often needs to be refined from executions of the surgical task(s) under consideration to avoid sub-optimal performance. In this paper, we investigate the applicability of inductive logic programming for learning previously unknown axioms governing domain dynamics. We do so under answer set semantics for a benchmark surgical training task, the ring transfer. We extend our previous work on learning the immediate preconditions of actions and constraints, to also learn axioms encoding arbitrary temporal delays between atoms that are effects of actions under the event calculus formalism. We propose a systematic approach for learning the specifications of a generic robotic task under the answer set semantics, allowing easy knowledge refinement with iterative learning. In the context of 1000 simulated scenarios, we demonstrate the significant improvement in performance obtained with the learned axioms compared with the hand-written ones; specifically, the learned axioms address some critical issues related to the plan computation time, which is promising for reliable real-time performance during surgery.

通过增强机器人手术的自主性和可靠性，可以提高机器人辅助手术的质量，优化医院资源的使用。逻辑编程是机器人辅助手术中任务规划的不错选择，因为它支持使用领域知识进行可靠推理并增加决策的透明度。然而，任务和领域的先验知识通常是不完整的，并且通常需要从正在考虑的外科手术任务的执行中进行细化，以避免次优性能。在本文中，我们研究了归纳逻辑编程在学习以前未知的领域动力学公理方面的适用性。我们在基准外科训练任务（环转移）的答案集语义下这样做。我们扩展了我们之前在学习动作和约束的直接前提条件方面的工作，还学习了编码原子之间任意时间延迟的公理，这些公理是事件演算形式主义下动作的影响。我们提出了一种在答案集语义下学习通用机器人任务规范的系统方法，允许通过迭代学习轻松改进知识。在 1000 个模拟场景的背景下，我们证明了与手写公理相比，学习公理获得的性能显着提高；具体而言，学习公理解决了与计划计算时间相关的一些关键问题，这有望在手术期间实现可靠的实时性能。还学习对原子之间的任意时间延迟进行编码的公理，这些延迟是事件演算形式主义下动作的影响。我们提出了一种在答案集语义下学习通用机器人任务规范的系统方法，允许通过迭代学习轻松改进知识。在 1000 个模拟场景的背景下，我们证明了与手写公理相比，学习公理获得的性能显着提高；具体而言，学习公理解决了与计划计算时间相关的一些关键问题，这有望在手术期间实现可靠的实时性能。还学习对原子之间的任意时间延迟进行编码的公理，这些延迟是事件演算形式主义下动作的影响。我们提出了一种在答案集语义下学习通用机器人任务规范的系统方法，允许通过迭代学习轻松改进知识。在 1000 个模拟场景的背景下，我们证明了与手写公理相比，学习公理获得的性能显着提高；具体而言，学习公理解决了与计划计算时间相关的一些关键问题，这有望在手术期间实现可靠的实时性能。允许通过迭代学习轻松改进知识。在 1000 个模拟场景的背景下，我们证明了与手写公理相比，学习公理获得的性能显着提高；具体而言，学习公理解决了与计划计算时间相关的一些关键问题，这有望在手术期间实现可靠的实时性能。允许通过迭代学习轻松改进知识。在 1000 个模拟场景的背景下，我们证明了与手写公理相比，学习公理获得的性能显着提高；具体而言，学习公理解决了与计划计算时间相关的一些关键问题，这有望在手术期间实现可靠的实时性能。