ロボット支援による血管内介入では、複雑で患者個別の血管解剖構造において、正確で安定した、かつ状況認識可能なガイドワイヤーナビゲーションが求められます。近年、ロボットの精度と学習ベースの制御は大きく進歩しましたが、既存の自律ナビゲーション手法は静的報酬関数に依存しており、解剖学的状況やタスクの進行に関する明示的な手続き的推論が欠如しているため、動的で予測不可能な血管環境への適応性やロバスト性に限界があります。この課題に対処するため、研究者らは視覚言語手続き推論（VL-PR）という革新的なフレームワークを提案しました。このフレームワークは、マルチモーダル大規模言語モデル（MLLM）を手続き推論モジュールとして統合し、文脈認識型の報酬モデリングを実現します。
具体的には、VL-PRフレームワークはMLLMを用いてリアルタイムの視覚観測を解釈し、ガイドワイヤーが現在どの血管セグメントにいるか、遭遇している抵抗の種類、タスク全体の進捗状況などの高レベルのナビゲーション文脈を推論します。従来の低レベルの制御コマンドを直接生成する手法とは異なり、VL-PRは推論結果を利用して報酬関数の各成分の重要度を動的に調整します。例えば、困難な交差領域では報酬関数が衝突回避と安定性をより重視する一方、直線区間では速度と精度が優先されます。このメカニズムにより、単一の強化学習ポリシーが異なるナビゲーションフェーズに適応しつつ、グローバルなタスク目標を一貫して維持することが可能になります。
フレームワークの有効性を検証するため、研究チームは物理ロボットプラットフォーム上で、多様な血管解剖形態や病変シナリオをカバーする大規模な実験を実施しました。実験結果は、静的報酬関数を用いたベースライン手法と比較して、VL-PRフレームワークがタスク成功率、ナビゲーション時間、安全性の点で大幅な改善を示しました。具体的な数値として、複雑な腎動脈分岐シナリオでは成功率が23%向上し、平均ナビゲーション時間が18%短縮されました。また、模擬石灰化病変を含む挑戦的な経路では、VL-PRフレームワークは血管壁への損傷を効果的に回避し、高いロバスト性を示しました。これらの結果は、本手法のスケーラビリティと適応性を実証しており、将来のマルチタスク・多段階のロボット血管内手術への応用が期待されます。
本研究はIEEE/RSJ IROS 2026に採択されており、論文は7ページ、4つの図、2つの表で構成されています。著者はWentong Tianを含む7名の研究者で、複数の学術機関に所属しています。コードとデータは後日公開される予定で、他の研究者による再現や拡張が可能になります。この成果は、ロボット支援介入手術の知能化を推進するだけでなく、視覚言語モデルのロボット制御への応用に新たな道を開くものです。