berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Laporan Jantung Mesin

Departemen Editorial Jantung Mesin

Robot yang dapat melakukan operasi bedah dapat beroperasi dengan penuh gaya.

Apakah bedah robot telah dikembangkan sejauh ini? Kelihatannya sangat terampil dan indah, dan "tangannya" sangat stabil.

Saya melihat kedua "tangan" robot itu dengan fleksibel bergerak di atas daging babi untuk menjahit dan mengikat simpul:

Kekuatannya pas dan "lukanya" dijahit dengan sempurna:

Robot juga dapat secara akurat mengambil jarum jahit yang ditempatkan pada berbagai benda tanpa menjepit benda lain:

Angkat jaringan secara akurat untuk observasi dan manipulasi selanjutnya.

Penelitian tersebut di atas berasal dari robot da Vinci yang dikembangkan bersama oleh Universitas Hopkins dan Universitas Stanford.

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

Beranda proyek: https://surgical-robot-transformer.github.io/

Anggota tim termasuk Ji Woong (Brian) Kim, seorang postdoc di Universitas Johns Hopkins yang belajar di bawah bimbingan Axel Krieger dan Chelsea Finn, yang juga berpartisipasi dalam penelitian ini; dan Tony Z. Zhao, seorang mahasiswa doktoral di Universitas Stanford yang mengerjakan Mobile ALOHA. Penelitian ALOHA 2 tentang robot rumah tangga, supervisornya adalah Chelsea Finn; Samuel Schmidgall adalah mahasiswa doktoral tahun pertama di bidang teknik elektro dan komputer di Universitas Johns Hopkins; Anton Deguet adalah asisten insinyur penelitian di Universitas Johns Hopkins; Universitas Hopkins.

Sejak lama, penelitian tentang robot hanya terfokus pada penyelesaian aktivitas rumah tangga sehari-hari, dan belum sepenuhnya tereksplorasi dalam bidang bedah, khususnya robot da Vinci dari perusahaan robot bedah Intuitive Surgical. Robot-robot ini, yang sudah digunakan di seluruh dunia, memiliki potensi besar untuk diperluas: pada tahun 2021, lebih dari 10 juta operasi telah dilakukan menggunakan 6.500 sistem da Vinci di 67 negara, dan 55.000 ahli bedah telah dilatih mengenai sistem tersebut.

Penelitian ini mengeksplorasi apakah tugas operasi bedah dapat dipelajari pada robot da Vinci melalui pembelajaran imitasi. Untuk mencapai tujuan ini, mereka memperkenalkan formulasi tindakan relatif yang memungkinkan keberhasilan pelatihan dan penerapan kebijakan menggunakan perkiraan data kinematik. Pendekatan ini memungkinkan sejumlah besar data klinis langsung digunakan untuk pembelajaran robot tanpa modifikasi lebih lanjut. Robot yang dihasilkan unggul dalam tiga tugas bedah dasar termasuk manipulasi jaringan, penanganan jarum, dan pengikatan simpul.

Robot bedah ini disukai banyak netizen yang menyebutnya "luar biasa".

Ikhtisar metode

Gambar 3 di bawah menunjukkan sistem dVRK, termasuk robot dan konsol jarak jauh untuk interaksi dokter. dVRK memiliki manipulator kamera endoskopi (ECM) dan dua manipulator sisi pasien (PSM1, PSM2) yang berbagi basis robot. Setiap lengan robot dirakit dalam rangkaian sambungan set pasif (SUJ), diikuti oleh sambungan aktif bermotor.

Sambungan pasif hanya menggunakan potensiometer untuk pengukuran sambungan dan oleh karena itu sangat tidak akurat. Sambungan aktif menggunakan potensiometer dan encoder motor untuk meningkatkan akurasi. Namun secara umum penggunaan potensiometer pada semua sambungan akan menyebabkan gerak maju lengan robot menjadi tidak akurat, bahkan kesalahannya bisa mencapai 5 cm.

Tujuan para peneliti adalah mempelajari tugas-tugas bedah melalui pembelajaran imitasi. Mengingat gerak maju robot yang tidak akurat, penting untuk memilih representasi gerak yang tepat.Oleh karena itu, mereka mempelajari tiga representasi tindakan, yaituBerpusat pada kamera, berpusat pada alat, dan Relatif Hibrid, seperti yang ditunjukkan pada Gambar 4 di bawah ini.

Diantaranya, pendekatan yang berpusat pada kamera berfungsi sebagai tolok ukur, menyoroti keterbatasan tindakan pemodelan sebagai pose mutlak dari efektor akhir. Pendekatan yang berpusat pada alat diperbaiki dan meningkatkan tingkat keberhasilan dengan memodelkan tindakan sebagai gerakan relatif. Metode relatif hibrid lebih ditingkatkan dibandingkan dengan metode alat-sentris dengan memodelkan gerak translasi dari kerangka acuan tetap, dan meningkatkan akurasi gerak translasi.

Mari kita lihat dulu tindakan yang berpusat pada kamera. Kami memodelkan gerakan yang berpusat pada kamera sebagai pose absolut dari efektor akhir relatif terhadap bingkai atas endoskopi. Penyiapan ini serupa dengan penerapan aplikasi servo visual berbasis posisi (PBVS), sehingga menjadikannya pilihan yang wajar untuk dVRK.

Secara khusus, mengingat nilai observasi o_t pada waktu t, tujuannya adalah mempelajari kebijakan π dan memprediksi urutan tindakan A_t, C = (a_t, ..., a_t+C), di mana C mewakili rentang prediksi tindakan.Kebijakan tersebut didefinisikan sebagai berikut

Berikutnya adalah tindakan yang berfokus pada alat. Kami memodelkan tindakan yang berpusat pada alat sebagai gerakan relatif terhadap kerangka efektor akhir saat ini (yaitu, kerangka benda yang bergerak). Oleh karena itu, tindakan yang berpusat pada alat didefinisikan sebagai berikut:

Terakhir, ada pencampuran tindakan-tindakan relatif. Mirip dengan gerakan berpusat pada alat, para peneliti memodelkan gerakan relatif hibrid sebagai gerakan relatif terhadap dua kerangka acuan yang berbeda. Terjemahan tambahan ditentukan relatif terhadap bingkai atas endoskopi, dan rotasi tambahan ditentukan relatif terhadap bingkai efektor akhir saat ini.Tindakan relatif campuran didefinisikan sebagai berikut

Hasil percobaan

Selama pengumpulan data, robot diatur seperti yang ditunjukkan pada Gambar 5 di bawah. Dalam konfigurasi ini, para peneliti mengumpulkan 224 uji coba pengangkatan jaringan, 250 uji pengambilan dan penyerahan jarum, dan 500 uji coba pengikatan simpul. Semua eksperimen dikumpulkan selama beberapa hari oleh satu pengguna.

Evaluasi gerak relatif untuk konsistensi dengan gerak maju absolut. Para peneliti berusaha memahami apakah gerakan relatif dVRK menunjukkan konsistensi yang lebih besar daripada gerakan maju absolut. Untuk menguji hipotesis ini, mereka memanipulasi lintasan referensi dari jarak jauh, seperti simbol tak terhingga yang ditunjukkan pada Gambar 5.

Efektor akhir kemudian ditempatkan pada pose awal yang sama dan lintasan direproduksi menggunakan representasi gerakan berbeda dalam konfigurasi robot berbeda. Konfigurasi yang berbeda ini melibatkan pemindahan ruang kerja robot ke kiri dan kanan. Tentu saja, pergerakan ruang kerja ini akan menyebabkan pergerakan sambungan pengaturan robot, dan karena hanya potensiometer yang digunakan untuk pengukuran sambungan, sambungan ini dapat dengan mudah menyebabkan kesalahan pengukuran yang besar.

Tabel 1 di bawah menunjukkan hasil numerik untuk root mean square error (RMSE). Dalam konfigurasi referensi, karena sambungan himpunan tidak bergerak, semua representasi gerak secara akurat merekonstruksi lintasan referensi.

Selain itu, dalam hal representasi tindakan relatif, lintasan referensi metode relatif berpusat pada alat dan metode relatif hibrid lebih konsisten ketika diulang, dan kesalahan numerik tidak berubah secara signifikan. Kesimpulannya, dengan adanya kesalahan pengukuran sambungan yang tidak konsisten, gerak relatif dVRK berperilaku lebih konsisten dibandingkan gerak maju absolutnya.

Selanjutnya, para peneliti mengevaluasi kinerja strategi menggunakan representasi tindakan yang berbeda seperti mengangkat jaringan, mengambil dan menyerahkan jarum, dan mengikat simpul. Hasilnya ditunjukkan pada Tabel 2 di bawah. Representasi tindakan yang berpusat pada kamera memiliki kinerja yang buruk dalam ketiga tugas tersebut.

Representasi tindakan yang berpusat pada alat menunjukkan kinerja yang lebih baik dalam ketiga tugas. Namun, selama proses pengambilan dan pemindahan jarum, pemindahan sering kali gagal ketika dilakukan operasi rotasi yang besar. Apalagi setelah mengambil jarum, dudukan kiri harus diputar sekitar 90 derajat untuk memindahkan jarum ke lengan robot lainnya, seperti terlihat pada Gambar 6 di bawah. Selama fase pergerakan ini, orientasi gripper tampak benar, namun gerakan translasi tampaknya tidak benar, yang mungkin menjadi penyebab kegagalan.