uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Koneen sydänraportti

Machine Heart -toimitusosasto

Kirurgisia operaatioita suorittava robotti voi toimia tyylikkäästi.

Onko robottikirurgiaa kehitetty tässä määrin. Se näyttää erittäin taitavalta ja hienolta, ja sen "kädet" ovat erittäin vakaat?

Näin robotin kaksi "kättä" joustavasti sianlihan päällä ompelemaan ja solmimaan solmuja:

Vahvuus on juuri sopiva ja "haava" on täydellisesti ommeltu:

Robotti voi myös poimia tarkasti eri esineisiin asetetut ompeluneulat puristamatta muita esineitä:

Nosta kudosta tarkasti myöhempää tarkkailua ja käsittelyä varten.

Edellä mainittu tutkimus on Hopkinsin ja Stanfordin yliopiston yhdessä kehittämästä da Vinci-robotista.

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

Hankkeen kotisivu: https://surgical-robot-transformer.github.io/

Ryhmän jäseniä ovat Ji Woong (Brian) Kim, postdoc Johns Hopkins -yliopistosta, joka opiskeli Axel Kriegerin ja Chelsea Finnin johdolla, ja Tony Z. Zhao, tohtoriopiskelija Stanfordin yliopistosta, joka työskenteli Mobile ALOHA:ssa. ALOHA 2 tutkimusta kotitalousroboteista, hänen ohjaajansa on Chelsea Finn Hopkinsin yliopisto.

Robottien tutkimus on pitkään keskittynyt pääasiassa päivittäisten kotitaloustoimintojen suorittamiseen, eikä sitä ole täysin tutkittu kirurgian alalla, erityisesti Intuitive Surgicalin da Vinci -robottia. Näillä roboteilla, jotka on jo käytössä ympäri maailmaa, on valtavat mahdollisuudet laajentua: vuoteen 2021 mennessä yli 10 miljoonaa leikkausta on tehty 6500 da Vinci -järjestelmällä 67 maassa ja 55 000 kirurgia on koulutettu järjestelmiin.

Tässä tutkimuksessa selvitetään, voidaanko kirurgiset leikkaustehtävät oppia da Vinci -robotilla jäljitelmäoppimisen avulla. Tämän tavoitteen saavuttamiseksi he ottavat käyttöön suhteellisen toiminnan muotoilun, joka mahdollistaa onnistuneen politiikan koulutuksen ja käyttöönoton käyttämällä likimääräisiä kinemaattisia tietoja. Tämä lähestymistapa mahdollistaa suurten kliinisten tietojen käytön suoraan robottioppimiseen ilman lisämuokkausta. Tuloksena oleva robotti on erinomainen kolmessa peruskirurgisessa tehtävässä, mukaan lukien kudosten käsittely, neulan käsittely ja solmujen sitominen.

Tätä kirurgista robottia ovat suosineet monet nettimiehet, jotka kutsuivat sitä "uskomattomaksi".

Menetelmän yleiskatsaus

Alla olevassa kuvassa 3 näkyy dVRK-järjestelmä, mukaan lukien robotti ja etäkonsoli lääkärin vuorovaikutusta varten. dVRK:ssa on endoskooppinen kameramanipulaattori (ECM) ja kaksi potilaspuolen manipulaattoria (PSM1, PSM2), jotka jakavat robottipohjan. Jokainen robottikäsivarsi kootaan sarjaksi passiivisia liitoksia (SUJ), joita seuraa moottoroitu aktiivinen nivel.

Passiiviset liitokset käyttävät vain potentiometrejä liitosmittauksiin ja ovat siksi erittäin epätarkkoja. Aktiivinen liitos käyttää sekä potentiometriä että moottorianturia tarkkuuden parantamiseksi. Yleisesti ottaen potentiometrien käyttö kaikissa nivelissä aiheuttaa kuitenkin robottivarren eteenpäinliikkeen epätarkkuuden ja virhe voi olla jopa 5 cm.

Tutkijoiden tavoitteena on oppia leikkaustehtäviä jäljitelmäoppimisen kautta. Kun otetaan huomioon robotin epätarkka eteenpäin suuntautuva liike, on ratkaisevan tärkeää valita sopiva liikeesitys.Siksi he tutkivat kolmea toimintaesitystä, nimittäinKamerakeskeinen, työkalukeskeinen ja hybridisuhde, kuten alla olevasta kuvasta 4 näkyy.

Niistä kamerakeskeiset lähestymistavat toimivat benchmarkina korostaen toimintojen mallintamisen rajoituksia loppuvaikuttajien absoluuttisina asenteina. Työkalukeskeisiä lähestymistapoja parannetaan ja ne lisäävät onnistumisastetta mallintamalla toimia suhteellisina liikkeinä. Hybridirelatiivista menetelmää parannetaan edelleen työkalukeskeiseen menetelmään mallintamalla kiinteän referenssikehyksen translaatioliikettä, ja se parantaa translaatioliikkeen tarkkuutta.

Katsotaanpa ensin kamerakeskeisiä toimintoja. Mallimme kamerakeskeisen liikkeen päätelaitteen absoluuttisena asennona suhteessa endoskoopin yläkehykseen. Tämä kokoonpano on samanlainen kuin paikkaperusteiset visuaaliset servosovellukset (PBVS), joten se on luonnollinen valinta dVRK:lle.

Tarkemmin ottaen, kun otetaan huomioon havaintoarvo o_t hetkellä t, tavoitteena on oppia käytäntö π ja ennustaa toimintasekvenssi A_t, C = (a_t, ..., a_t+C), jossa C edustaa toiminnan ennustusaluetta.Käytäntö määritellään seuraavasti

Seuraava on työkalukeskeinen toiminta. Mallinnamme työkalukeskeisiä toimia suhteellisena liikkeenä nykyisen päätelaitteen kehyksen (eli liikkuvan rungon) suhteen. Siksi työkalukeskeiset toiminnot määritellään seuraavasti:

Lopuksi on ristiriitaista toimintaa. Työkalukeskeisen liikkeen tapaan tutkijat mallinsivat hybridisuhteellista liikettä suhteelliseksi liikkeeksi suhteessa kahteen eri vertailukehykseen. Inkrementaalinen translaatio määritellään suhteessa endoskoopin yläkehykseen ja inkrementaalinen kierto on määritelty suhteessa nykyiseen päätetehostinkehykseen.Sekalaiset suhteelliset toiminnot määritellään seuraavasti

Kokeelliset tulokset

Tiedonkeruun aikana robotti asetettiin alla olevan kuvan 5 mukaisesti. Tässä kokoonpanossa tutkijat keräsivät 224 kudoksen nostokoetta, 250 neulanpoiminta- ja luovutuskoetta sekä 500 solmun sitomiskoetta. Yksi käyttäjä keräsi kaikki kokeet useiden päivien aikana.

Arvioi suhteellinen liike johdonmukaisuuden suhteen absoluuttisen eteenpäinliikkeen kanssa. Tutkijat yrittivät ymmärtää, oliko dVRK:n suhteellinen liike johdonmukaisempaa kuin absoluuttinen eteenpäin suuntautuva liike. Tämän hypoteesin testaamiseksi he käsittelivät etänä referenssiratoja, kuten kuvassa 5 esitettyä ääretön symbolia.

Pääteefektori asetetaan sitten samaan alkuasentoon ja liikeradat toistetaan käyttämällä erilaisia ​​liikeesityksiä eri robottikokoonpanoissa. Näihin erilaisiin kokoonpanoihin kuuluu robotin työtilan siirtäminen vasemmalle ja oikealle. Tietenkin näiden työtilojen liikkuminen aiheuttaa robotin asetusliitosten liikkeen ja koska liitosmittauksissa käytetään vain potentiometrejä, nämä liitokset voivat helposti johtaa suuriin mittausvirheisiin.

Alla olevassa taulukossa 1 esitetään numeeriset tulokset neliökeskiarvovirheelle (RMSE). Koska asetetut nivelet eivät liiku vertailukonfiguraatiossa, kaikki liikeesitykset rekonstruoivat tarkasti referenssiradat.

Lisäksi suhteellisen toiminnan esityksen kannalta työkalukeskeisten ja hybridirelatiivisten menetelmien referenssiradat ovat johdonmukaisempia toistettaessa, eivätkä numeeriset virheet muutu merkittävästi. Yhteenvetona voidaan todeta, että epäjohdonmukaisten liitosmittausvirheiden esiintyessä dVRK:n suhteellinen liike käyttäytyy johdonmukaisemmin kuin sen absoluuttinen eteenpäin suuntautuva liike.

Seuraavaksi tutkijat arvioivat strategian suorituskykyä käyttämällä erilaisia ​​toimintamuotoja, kuten kudoksen nostamista, neulojen poimimista ja luovuttamista sekä solmujen sitomista. Tulokset on esitetty alla olevassa taulukossa 2. Kamerakeskeinen toimintaesitys toimii huonosti kaikissa kolmessa tehtävässä.

Työkalukeskeinen toimintaesitys osoitti parempaa suorituskykyä kaikissa kolmessa tehtävässä. Neulojen poiminta- ja siirtoprosessin aikana siirto kuitenkin usein epäonnistuu, kun suoritetaan suuria kiertotoimintoja. Varsinkin neulan nostamisen jälkeen vasenta pidikettä on käännettävä noin 90 astetta neulan siirtämiseksi toiseen robottivarteen, kuten alla olevassa kuvassa 6. Tämän liikevaiheen aikana tarraimen suunta näyttää oikealta, mutta translaatioliike ei näytä oikealta, mikä voi olla syynä vikaan.