ニュース

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

マシンハートレポート

マシーンハート編集部

外科手術ができるロボットはスタイリッシュに手術ができます。

ロボット手術はここまで発展したのでしょうか? とても熟練していて精巧に見えますし、「手」も非常に安定しています。

私は、ロボットの 2 本の「手」が豚肉の上で柔軟に動き、縫ったり結び目を作ったりしているのを見ました。

強度もちょうどよく、「傷」も完璧に縫合されています。

このロボットは、さまざまな物体に置かれた縫い針を、他のものを挟むことなく正確に拾うこともできます。

その後の観察や操作のために組織を正確に持ち上げます。

上記の研究は、ホプキンス大学とスタンフォード大学が共同開発したダヴィンチロボットによるものです。

論文アドレス: https://surgical-robot-transformer.github.io/resources/surgical_robot_transformer.pdf

プロジェクトのホームページ: https://surgical-robot-transformer.github.io/

チームメンバーには、アクセル・クリーガー氏とチェルシー・フィン氏の下で学び、同じく研究に参加したジョンズ・ホプキンス大学のポスドク、ジ・ウン（ブライアン）・キム氏と、モバイル・アロハに取り組んだスタンフォード大学の博士課程学生、トニー・Z・チャオ氏が含まれる。家庭用ロボットに関する ALOHA 2 の研究、彼の指導教員はチェルシー・フィンです。サミュエル・シュミットガルはジョンズ・ホプキンス大学の電気およびコンピュータ工学の博士課程 1 年生です。アントン・デゲはジョンズ・ホプキンス大学の助教授です。ホプキンス大学。

長い間、ロボットの研究は主に日常の家事を行うことに焦点を当てており、外科分野、特に外科用ロボット会社 Intuitive Surgical の da Vinci ロボットについては十分に研究されていませんでした。これらのロボットはすでに世界中で導入されており、拡張の大きな可能性を秘めています。2021 年の時点で、67 か国で 6,500 台のダ ヴィンチ システムを使用して 1,000 万件以上の手術が行われ、55,000 人の外科医がシステムの訓練を受けています。

この研究では、模倣学習を通じてダヴィンチロボット上で外科手術タスクを学習できるかどうかを調査します。この目標を達成するために、彼らは、近似運動学データを使用してポリシーのトレーニングと展開を成功させることができる相対アクションの定式化を導入しました。このアプローチにより、大量の臨床データをさらに変更することなくロボット学習に直接使用できるようになります。完成したロボットは、組織操作、針の取り扱い、結び目を結ぶといった 3 つの基本的な外科作業に優れています。

この手術ロボットは多くのネチズンから「信じられない」と好評を得ています。

手法の概要

以下の図 3 は、ロボットと医師と対話するためのリモート コンソールを含む dVRK システムを示しています。 dVRK には、ロボット ベースを共有する 1 つの内視鏡カメラ マニピュレーター (ECM) と 2 つの患者側マニピュレーター (PSM1、PSM2) があります。各ロボット アームは、一連のパッシブ セット ジョイント (SUJ) で組み立てられ、その後に電動アクティブ ジョイントが続きます。

パッシブ ジョイントはジョイントの測定にポテンショメータのみを使用するため、非常に不正確です。アクティブ ジョイントは、精度を向上させるためにポテンショメータとモーター エンコーダの両方を使用します。ただし、一般に、すべての関節にポテンショメータを使用すると、ロボット アームの前方への動きが不正確になり、誤差が 5 cm に達することもあります。

研究者の目標は、模倣学習を通じて手術作業を学ぶことです。ロボットの不正確な前進運動を考慮して、適切な運動表現を選択することが重要です。したがって、彼らは 3 つの動作表現を研究しました。カメラ中心、ツール中心、ハイブリッド相対、以下の図 4 に示すように。

その中で、カメラ中心のアプローチはベンチマークとして機能し、エンドエフェクターの絶対的なポーズとしてのアクションのモデリングの限界を強調しています。アクションを相対的な動きとしてモデル化することで、ツール中心のアプローチが改善され、成功率が向上します。ハイブリッド相対法は、固定基準フレームの並進運動をモデル化することによってツール中心法と比較してさらに改良され、並進運動の精度が向上します。

まずはカメラ中心のアクションを見てみましょう。カメラ中心の動きを、内視鏡の上部フレームに対するエンドエフェクターの絶対姿勢としてモデル化します。このセットアップは、位置ベースのビジュアル サーボ アプリケーション (PBVS) の実装方法に似ており、dVRK にとって自然な選択になります。

具体的には、時刻 t での観測値 o_t が与えられた場合、目標はポリシー π を学習し、アクション シーケンス A_t, C = (a_t, ..., a_t+C) を予測することです。ここで、C はアクションの予測範囲を表します。ポリシーは次のように定義されます

次にツール中心のアクションです。ツール中心のアクションを、現在のエンドエフェクター フレーム (つまり、移動体フレーム) に対する相対運動としてモデル化します。したがって、ツール中心のアクションは次のように定義されます。

最後に、混合相対アクションがあります。ツール中心の運動と同様に、研究者らはハイブリッド相対運動を 2 つの異なる基準フレームに対する相対運動としてモデル化しました。増分移動は内視鏡上部フレームに対して定義され、増分回転は現在のエンドエフェクター フレームに対して定義されます。混合相対アクションは次のように定義されます。

実験結果

データ収集中、ロボットは以下の図 5 に示すようにセットアップされました。この構成で、研究者らは 224 回の組織持ち上げトライアル、250 回の針採取と引き渡しトライアル、および 500 回の結び目トライアルを収集しました。すべての実験は 1 人のユーザーによって数日間にわたって収集されました。

絶対的な前進運動との一貫性について相対運動を評価します。研究者らは、dVRK の相対運動が絶対的な前進運動よりも大きな一貫性を示すかどうかを理解しようとしました。この仮説を検証するために、彼らは図 5 に示す無限大記号などの基準軌道を遠隔操作しました。

次に、エンドエフェクタは同じ初期ポーズに配置され、異なるロボット構成の下で異なる動作表現を使用して軌道が再現されます。これらのさまざまな構成には、ロボットの作業スペースを左右に移動することが含まれます。もちろん、これらのワークスペースの移動はロボットの設定関節の動きを引き起こし、関節の測定にはポテンショメータのみが使用されるため、これらの関節は大きな測定誤差を引き起こしやすいです。

以下の表 1 は、二乗平均平方根誤差 (RMSE) の数値結果を示しています。基準設定では、設定された関節は動かないため、すべての動作表現は基準軌道を正確に再構成します。

さらに、相対動作の表現に関しては、ツール中心の相対方法とハイブリッド相対方法の基準軌道は、繰り返した場合により一貫性があり、数値誤差は大きく変化しません。結論として、一貫性のない関節測定誤差が存在する場合、dVRK の相対運動は、絶対的な前進運動よりも一貫して動作します。

次に研究者らは、組織を持ち上げる、針を拾って渡す、結び目を作るなどのさまざまな動作表現を使用して戦略のパフォーマンスを評価しました。結果を以下の表 2 に示します。カメラ中心のアクション表現は、3 つのタスクすべてでパフォーマンスが悪くなります。

ツール中心のアクション表現は、3 つのタスクすべてで優れたパフォーマンスを示しました。しかし、針を拾い上げたり移送したりする際、大きな回転動作を行うと移送に失敗することがよくあります。特に針を拾った後は、以下の図 6 に示すように、針を他のロボット アームに移すために左側のホルダーを約 90 度回転する必要があります。この動作段階では、グリッパーの方向は正しいように見えますが、並進運動は正しくないようであり、これが失敗の原因である可能性があります。