Belegung

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Maschinenherzbericht

Redaktion von Machine Heart

Ein Roboter, der chirurgische Eingriffe durchführen kann, kann mit Stil operieren.

Ist die Roboterchirurgie so weit entwickelt? Sie sieht sehr geschickt und exquisit aus und ihre „Hände“ sind sehr stabil.

Ich sah die beiden „Hände“ des Roboters, die sich flexibel über das Schweinefleisch bewegten, um Knoten zu nähen und zu knüpfen:

Die Stärke stimmt genau und die „Wunde“ ist perfekt vernäht:

Der Roboter kann auch Nähnadeln, die auf verschiedenen Gegenständen platziert sind, präzise aufnehmen, ohne andere Dinge einzuklemmen:

Heben Sie das Gewebe präzise an, um es anschließend zu beobachten und zu manipulieren.

Die oben erwähnte Forschung stammt vom da Vinci-Roboter, der gemeinsam von der Hopkins University und der Stanford University entwickelt wurde.

Papieradresse: https://surgical-robot-transformer.github.io/resources/surgical_robot_transformer.pdf

Projekthomepage: https://surgical-robot-transformer.github.io/

Zu den Teammitgliedern gehören Ji Woong (Brian) Kim, ein Postdoc an der Johns Hopkins University, der bei Axel Krieger und Chelsea Finn studierte, die ebenfalls an der Forschung beteiligt waren, und Tony Z. Zhao, ein Doktorand an der Stanford University, der an Mobile ALOHA arbeitete; ALOHA 2-Forschung zu Haushaltsrobotern, sein Betreuer ist Chelsea Finn; Samuel Schmidgall ist ein Doktorand im ersten Jahr an der Johns Hopkins University; Anton Deguet ist Assistenzprofessor an der Johns Hopkins University; Hopkins-Universität.

Die Roboterforschung konzentrierte sich lange Zeit hauptsächlich auf die Erledigung alltäglicher Haushaltstätigkeiten und wurde im Bereich der Chirurgie, insbesondere des Da-Vinci-Roboters des Chirurgieroboterunternehmens Intuitive Surgical, noch nicht vollständig erforscht. Diese Roboter sind bereits auf der ganzen Welt im Einsatz und haben ein enormes Expansionspotenzial: Bis 2021 wurden mehr als 10 Millionen Operationen mit 6.500 da Vinci-Systemen in 67 Ländern durchgeführt und 55.000 Chirurgen wurden an den Systemen geschult.

Diese Studie untersucht, ob chirurgische Operationsaufgaben durch Nachahmungslernen am Da-Vinci-Roboter erlernt werden können. Um dieses Ziel zu erreichen, führen sie eine relative Aktionsformulierung ein, die eine erfolgreiche Schulung und Umsetzung von Richtlinien unter Verwendung ungefährer kinematischer Daten ermöglicht. Dieser Ansatz ermöglicht die direkte Nutzung großer Mengen klinischer Daten für das Roboterlernen ohne weitere Modifikation. Der resultierende Roboter beherrscht drei grundlegende chirurgische Aufgaben, darunter Gewebemanipulation, Nadelhandhabung und Knotenbinden.

Dieser chirurgische Roboter wurde von vielen Internetnutzern bevorzugt, die ihn als „unglaublich“ bezeichneten.

Methodenübersicht

Abbildung 3 unten zeigt das dVRK-System, einschließlich des Roboters und der Remote-Konsole für die Interaktion mit dem Arzt. Das dVRK verfügt über einen endoskopischen Kameramanipulator (ECM) und zwei patientenseitige Manipulatoren (PSM1, PSM2), die sich eine Roboterbasis teilen. Jeder Roboterarm besteht aus einer Reihe von passiven Gelenken (SUJs), gefolgt von motorisierten aktiven Gelenken.

Passive Gelenke verwenden für Gelenkmessungen ausschließlich Potentiometer und sind daher sehr ungenau. Das aktive Gelenk verwendet sowohl ein Potentiometer als auch einen Motor-Encoder, um die Genauigkeit zu verbessern. Allerdings führt die Verwendung von Potentiometern in allen Gelenken im Allgemeinen dazu, dass die Vorwärtsbewegung des Roboterarms ungenau ist und der Fehler sogar 5 cm erreichen kann.

Ziel der Forscher ist es, chirurgische Aufgaben durch Nachahmungslernen zu erlernen. Angesichts der ungenauen Vorwärtsbewegung des Roboters ist es entscheidend, eine geeignete Bewegungsdarstellung zu wählen.Daher untersuchten sie drei Aktionsdarstellungen, nämlichKamerazentriert, Werkzeugzentriert und Hybrid Relative, wie in Abbildung 4 unten dargestellt.

Unter ihnen dienen kamerazentrierte Ansätze als Benchmarks und verdeutlichen die Grenzen der Modellierung von Aktionen als absolute Posen von Endeffektoren. Werkzeugzentrierte Ansätze werden verbessert und erhöhen die Erfolgsquote, indem Aktionen als relative Bewegungen modelliert werden. Die hybride relative Methode ist im Vergleich zur werkzeugzentrierten Methode durch die Modellierung der Translationsbewegung eines festen Referenzrahmens weiter verbessert und verbessert die Genauigkeit der Translationsbewegung.

Schauen wir uns zunächst die kamerazentrierten Aktionen an. Wir modellieren die kamerazentrierte Bewegung als die absolute Pose des Endeffektors relativ zum oberen Rahmen des Endoskops. Dieser Aufbau ähnelt der Implementierung von positionsbasierten Visual Servoing-Anwendungen (PBVS) und ist daher eine natürliche Wahl für dVRK.

Insbesondere besteht das Ziel angesichts des Beobachtungswerts o_t zum Zeitpunkt t darin, die Richtlinie π zu lernen und die Aktionssequenz A_t, C = (a_t, ..., a_t+C) vorherzusagen, wobei C den Aktionsvorhersagebereich darstellt.Die Richtlinie ist wie folgt definiert

Als nächstes folgt die werkzeugorientierte Aktion. Wir modellieren werkzeugzentrierte Aktionen als relative Bewegung in Bezug auf den aktuellen Endeffektorrahmen (d. h. den sich bewegenden Körperrahmen). Daher werden werkzeugzentrierte Aktionen wie folgt definiert:

Schließlich gibt es gemischte relative Aktionen. Ähnlich wie bei der werkzeugzentrierten Bewegung modellierten die Forscher die hybride relative Bewegung als relative Bewegung relativ zu zwei verschiedenen Referenzsystemen. Die inkrementelle Translation wird relativ zum oberen Rahmen des Endoskops definiert, und die inkrementelle Drehung wird relativ zum aktuellen Endeffektorrahmen definiert.Gemischte relative Aktionen werden wie folgt definiert

Experimentelle Ergebnisse

Während der Datenerfassung wurde der Roboter wie in Abbildung 5 unten dargestellt eingerichtet. In dieser Konfiguration sammelten die Forscher 224 Versuche zum Anheben des Gewebes, 250 Versuche zum Nadelpicken und -übergeben sowie 500 Versuche zum Knotenbinden. Alle Experimente wurden über mehrere Tage hinweg von einem einzelnen Benutzer gesammelt.

Bewerten Sie die relative Bewegung auf Konsistenz mit der absoluten Vorwärtsbewegung. Die Forscher wollten verstehen, ob die relative Bewegung von dVRK eine größere Konsistenz aufwies als die absolute Vorwärtsbewegung. Um diese Hypothese zu testen, manipulierten sie Referenztrajektorien aus der Ferne, wie zum Beispiel das in Abbildung 5 gezeigte Unendlichkeitssymbol.

Der Endeffektor wird dann in die gleiche Ausgangshaltung gebracht und die Flugbahnen werden unter Verwendung unterschiedlicher Bewegungsdarstellungen unter verschiedenen Roboterkonfigurationen reproduziert. Bei diesen unterschiedlichen Konfigurationen wird der Arbeitsbereich des Roboters nach links und rechts verschoben. Natürlich führt die Bewegung dieser Arbeitsbereiche zu einer Bewegung der Einstellgelenke des Roboters, und da für Gelenkmessungen nur Potentiometer verwendet werden, kann es bei diesen Gelenken leicht zu großen Messfehlern kommen.

Tabelle 1 unten zeigt die numerischen Ergebnisse für den quadratischen Mittelfehler (RMSE). Da sich in der Referenzkonfiguration die eingestellten Gelenke nicht bewegen, rekonstruieren alle Bewegungsdarstellungen die Referenztrajektorien genau.

Darüber hinaus sind im Hinblick auf die relative Aktionsdarstellung die Referenztrajektorien der werkzeugzentrierten und hybriden relativen Methoden bei Wiederholung konsistenter und die numerischen Fehler ändern sich nicht wesentlich. Zusammenfassend lässt sich sagen, dass sich die relative Bewegung des dVRK bei inkonsistenten gemeinsamen Messfehlern konsistenter verhält als seine absolute Vorwärtsbewegung.

Als nächstes bewerteten die Forscher die Strategieleistung anhand verschiedener Aktionsdarstellungen wie dem Heben von Gewebe, dem Aufnehmen und Überreichen von Nadeln und dem Knüpfen von Knoten. Die Ergebnisse sind in Tabelle 2 unten aufgeführt. Die kamerazentrierte Aktionsdarstellung schneidet bei allen drei Aufgaben schlecht ab.

Die werkzeugzentrierte Aktionsdarstellung zeigte bei allen drei Aufgaben eine bessere Leistung. Beim Aufnehmen und Übertragen von Nadeln kommt es jedoch häufig zu Fehlschlägen, wenn große Rotationsvorgänge durchgeführt werden. Insbesondere nach dem Aufnehmen der Nadel muss der linke Halter um etwa 90 Grad gedreht werden, um die Nadel auf den anderen Roboterarm zu übertragen, wie in Abbildung 6 unten dargestellt. Während dieser Bewegungsphase scheint die Ausrichtung des Greifers korrekt zu sein, die Translationsbewegung scheint jedoch nicht korrekt zu sein, was die Ursache für den Fehler sein kann.