notizia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Rapporto sul cuore della macchina

Dipartimento editoriale di Machine Heart

Un robot in grado di eseguire operazioni chirurgiche può operare con stile.

La chirurgia robotica è stata sviluppata a questo punto? Sembra molto abile e raffinata e le sue "mani" sono molto stabili.

Ho visto le due "mani" del robot muovere in modo flessibile la carne di maiale per cucire e fare nodi:

La forza è giusta e la "ferita" è perfettamente suturata:

Il robot può anche raccogliere con precisione gli aghi da cucito posizionati su vari oggetti senza pizzicare altre cose:

Sollevare accuratamente il tessuto per la successiva osservazione e manipolazione.

La ricerca sopra menzionata proviene dal robot da Vinci sviluppato congiuntamente dalla Hopkins University e dalla Stanford University.

Indirizzo del documento: https://surgical-robot-transformer.github.io/resources/surgical_robot_transformer.pdf

Home page del progetto: https://surgical-robot-transformer.github.io/

I membri del team includono Ji Woong (Brian) Kim, un postdoc presso la Johns Hopkins University che ha studiato con Axel Krieger e Chelsea Finn, che hanno anche partecipato alla ricerca e Tony Z. Zhao, uno studente di dottorato presso la Stanford University che ha lavorato su Mobile ALOHA; ALOHA 2 ricerca sui robot domestici, il suo supervisore è Chelsea Finn Samuel Schmidgall è uno studente di dottorato in ingegneria elettrica e informatica presso la Johns Hopkins University Anton Deguet è un assistente ricercatore presso la Johns Hopkins University; Università Hopkins.

Per molto tempo, la ricerca sui robot si è concentrata principalmente sul completamento delle attività domestiche quotidiane e non è stata esplorata completamente nel campo della chirurgia, in particolare nel robot da Vinci della società di robot chirurgici Intuitive Surgical. Già distribuiti in tutto il mondo, questi robot hanno un enorme potenziale di espansione: al 2021, più di 10 milioni di interventi chirurgici sono stati eseguiti utilizzando 6.500 sistemi da Vinci in 67 paesi e 55.000 chirurghi sono stati formati sui sistemi.

Questo studio esplora se le attività operative chirurgiche possono essere apprese sul robot da Vinci attraverso l'apprendimento per imitazione. Per raggiungere questo obiettivo, introducono una formulazione di azioni relative che consente una formazione e un’implementazione delle politiche di successo utilizzando dati cinematici approssimativi. Questo approccio consente di utilizzare direttamente grandi quantità di dati clinici per l’apprendimento dei robot senza ulteriori modifiche. Il robot risultante eccelle in tre attività chirurgiche di base, tra cui la manipolazione dei tessuti, la manipolazione degli aghi e la legatura dei nodi.

Questo robot chirurgico è stato apprezzato da molti utenti della rete, che lo hanno definito "incredibile".

Panoramica del metodo

La Figura 3 di seguito mostra il sistema dVRK, compreso il robot e la console remota per l'interazione con il medico. Il dVRK è dotato di un manipolatore per telecamera endoscopica (ECM) e due manipolatori lato paziente (PSM1, PSM2) che condividono una base robotica. Ogni braccio robotico è assemblato in una sequenza di giunti passivi (SUJ), seguiti da giunti attivi motorizzati.

I giunti passivi utilizzano solo potenziometri per le misurazioni dei giunti e sono quindi molto imprecisi. Il giunto attivo utilizza sia un potenziometro che un encoder motore per migliorare la precisione. Tuttavia, in generale, l'uso di potenziometri in tutte le articolazioni farà sì che il movimento in avanti del braccio robotico sia impreciso e l'errore può raggiungere anche i 5 cm.

L'obiettivo dei ricercatori è apprendere le attività chirurgiche attraverso l'apprendimento per imitazione. Considerando il movimento in avanti impreciso del robot, è fondamentale scegliere una rappresentazione del movimento appropriata.Pertanto, hanno studiato tre rappresentazioni dell'azione, vale a direCentrato sulla fotocamera, centrato sullo strumento e relativo ibrido, come mostrato nella Figura 4 di seguito.

Tra questi, gli approcci incentrati sulla telecamera fungono da punti di riferimento, evidenziando i limiti delle azioni di modellazione come pose assolute degli effettori finali. Gli approcci incentrati sugli strumenti vengono migliorati e aumentano le percentuali di successo modellando le azioni come movimenti relativi. Il metodo relativo ibrido è ulteriormente migliorato rispetto al metodo incentrato sullo strumento modellando il movimento traslatorio di un quadro di riferimento fisso e migliora la precisione del movimento traslatorio.

Diamo prima un'occhiata alle azioni centrate sulla fotocamera. Modelliamo il movimento centrato sulla telecamera come la posa assoluta dell'effettore finale rispetto al telaio superiore dell'endoscopio. Questa configurazione è simile al modo in cui vengono implementate le applicazioni di asservimento visivo basate sulla posizione (PBVS), rendendola una scelta naturale per dVRK.

Nello specifico, dato il valore di osservazione o_t al tempo t, l'obiettivo è apprendere la politica π e prevedere la sequenza di azioni A_t, C = (a_t, ..., a_t+C), dove C rappresenta l'intervallo di previsione dell'azione.La politica è definita come segue

La prossima è l'azione focalizzata sullo strumento. Modelliamo le azioni centrate sullo strumento come movimento relativo rispetto all'attuale frame dell'effettore finale (cioè il frame del corpo in movimento). Pertanto, le azioni incentrate sullo strumento sono definite come segue:

Infine, c'è un'azione relativa mista. Similmente al movimento centrato sullo strumento, i ricercatori hanno modellato il movimento relativo ibrido come movimento relativo rispetto a due diversi sistemi di riferimento. La traslazione incrementale è definita rispetto al telaio superiore dell'endoscopio e la rotazione incrementale è definita rispetto al telaio dell'effettore finale corrente.Le azioni relative miste sono definite come segue

Risultati sperimentali

Durante la raccolta dei dati, il robot è stato configurato come mostrato nella Figura 5 di seguito. In questa configurazione, i ricercatori hanno raccolto 224 prove di sollevamento dei tessuti, 250 prove di raccolta e consegna degli aghi e 500 prove di legatura dei nodi. Tutti gli esperimenti sono stati raccolti in più giorni da un singolo utente.

Valutare la coerenza del movimento relativo con il movimento in avanti assoluto. I ricercatori hanno cercato di capire se il movimento relativo di dVRK mostrasse una maggiore coerenza rispetto al movimento in avanti assoluto. Per testare questa ipotesi, hanno manipolato da remoto le traiettorie di riferimento, come il simbolo dell’infinito mostrato nella Figura 5.

L'effettore finale viene quindi posizionato nella stessa posa iniziale e le traiettorie vengono riprodotte utilizzando diverse rappresentazioni di movimento in diverse configurazioni del robot. Queste diverse configurazioni comportano lo spostamento dell'area di lavoro del robot a sinistra e a destra. Naturalmente, il movimento di queste aree di lavoro causerà il movimento dei giunti di regolazione del robot e, poiché per le misurazioni dei giunti vengono utilizzati solo potenziometri, questi giunti possono facilmente portare a grandi errori di misurazione.

La tabella 1 seguente mostra i risultati numerici per l'errore quadratico medio (RMSE). Nella configurazione di riferimento, poiché i giunti fissati non si muovono, tutte le rappresentazioni del movimento ricostruiscono accuratamente le traiettorie di riferimento.

Inoltre, in termini di rappresentazione dell'azione relativa, le traiettorie di riferimento dei metodi relativi centrati sullo strumento e ibridi sono più coerenti quando ripetute e gli errori numerici non cambiano in modo significativo. In conclusione, in presenza di errori di misurazione articolari inconsistenti, il movimento relativo del dVRK si comporta in modo più coerente rispetto al suo movimento in avanti assoluto.

Successivamente, i ricercatori hanno valutato le prestazioni della strategia utilizzando diverse rappresentazioni di azioni come sollevare tessuti, raccogliere e consegnare aghi e fare nodi. I risultati sono mostrati nella Tabella 2 di seguito. La rappresentazione dell'azione centrata sulla telecamera ha prestazioni scarse in tutte e tre le attività.

La rappresentazione dell'azione incentrata sullo strumento ha mostrato prestazioni migliori in tutte e tre le attività. Tuttavia, durante il processo di prelievo e trasferimento degli aghi, il trasferimento spesso fallisce quando vengono eseguite operazioni di rotazione di grandi dimensioni. Soprattutto dopo aver sollevato l'ago, il supporto sinistro deve essere ruotato di circa 90 gradi per trasferire l'ago all'altro braccio robotico, come mostrato nella Figura 6 di seguito. Durante questa fase di movimento l'orientamento della pinza sembra essere corretto, ma il movimento traslatorio non risulta essere corretto, il che potrebbe essere la causa del guasto.