noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Informe del corazón de la máquina

Departamento editorial de Machine Heart

Un robot que puede realizar operaciones quirúrgicas puede operar con estilo.

¿Se ha desarrollado la cirugía robótica hasta este punto? Parece muy hábil y exquisita, y sus "manos" son muy estables.

Vi las dos "manos" del robot moviéndose con flexibilidad sobre la carne de cerdo para coser y hacer nudos:

La fuerza es la adecuada y la "herida" está perfectamente suturada:

El robot también puede recoger con precisión agujas de coser colocadas sobre varios objetos sin pellizcar otras cosas:

Levante con precisión el tejido para su posterior observación y manipulación.

La investigación mencionada anteriormente proviene del robot da Vinci desarrollado conjuntamente por la Universidad Hopkins y la Universidad de Stanford.

Dirección del artículo: https://surgical-robot-transformer.github.io/resources/surgical_robot_transformer.pdf

Página de inicio del proyecto: https://surgical-robot-transformer.github.io/

Los miembros del equipo incluyen a Ji Woong (Brian) Kim, un postdoctorado de la Universidad Johns Hopkins que estudió con Axel Krieger y Chelsea Finn, quienes también participaron en la investigación, y Tony Z. Zhao, un estudiante de doctorado de la Universidad de Stanford que trabajó en Mobile ALOHA; investigación de ALOHA 2 sobre robots domésticos, su supervisora ​​es Chelsea Finn; Samuel Schmidgall es estudiante de doctorado de primer año en ingeniería eléctrica e informática en la Universidad Johns Hopkins; Anton Deguet es ingeniero de investigación asistente en la Universidad Johns Hopkins; Universidad Hopkins.

Durante mucho tiempo, la investigación sobre robots se ha centrado principalmente en realizar las actividades domésticas diarias y no se ha explorado completamente en el campo de la cirugía, especialmente el robot da Vinci de la empresa de robots quirúrgicos Intuitive Surgical. Estos robots, ya desplegados en todo el mundo, tienen un enorme potencial de expansión: hasta 2021, se han realizado más de 10 millones de cirugías utilizando 6.500 sistemas da Vinci en 67 países, y 55.000 cirujanos han recibido capacitación en los sistemas.

Este estudio explora si las tareas operativas quirúrgicas se pueden aprender en el robot da Vinci mediante el aprendizaje por imitación. Para lograr este objetivo, introducen una formulación de acción relativa que permite una capacitación e implementación de políticas exitosas utilizando datos cinemáticos aproximados. Este enfoque permite utilizar directamente grandes cantidades de datos clínicos para el aprendizaje de robots sin modificaciones adicionales. El robot resultante destaca en tres tareas quirúrgicas básicas: manipulación de tejidos, manejo de agujas y atado de nudos.

Este robot quirúrgico ha sido el favorito de muchos internautas, que lo han calificado de "increíble".

Descripción general del método

La Figura 3 a continuación muestra el sistema dVRK, incluido el robot y la consola remota para la interacción del médico. El dVRK tiene un manipulador de cámara endoscópica (ECM) y dos manipuladores del lado del paciente (PSM1, PSM2) que comparten una base robótica. Cada brazo robótico se ensambla en una secuencia de articulaciones pasivas (SUJ), seguidas de articulaciones activas motorizadas.

Las uniones pasivas sólo utilizan potenciómetros para medir las uniones y, por lo tanto, son muy imprecisas. La articulación activa utiliza un potenciómetro y un codificador de motor para mejorar la precisión. Sin embargo, en términos generales, el uso de potenciómetros en todas las articulaciones hará que el movimiento hacia adelante del brazo robótico sea impreciso, pudiendo el error llegar incluso a los 5 cm.

El objetivo de los investigadores es aprender tareas quirúrgicas mediante el aprendizaje por imitación. Teniendo en cuenta el movimiento de avance impreciso del robot, es crucial elegir una representación de movimiento adecuada.Por lo tanto, estudiaron tres representaciones de acción, a saberCentrado en cámara, centrado en herramientas y relativo híbrido, como se muestra en la Figura 4 a continuación.

Entre ellos, los enfoques centrados en la cámara sirven como puntos de referencia, destacando las limitaciones de modelar acciones como poses absolutas de efectores finales. Los enfoques centrados en herramientas mejoran y aumentan las tasas de éxito al modelar acciones como movimientos relativos. El método relativo híbrido se mejora aún más en comparación con el método centrado en herramientas al modelar el movimiento de traslación de un sistema de referencia fijo y mejora la precisión del movimiento de traslación.

Veamos primero las acciones centradas en la cámara. Modelamos el movimiento centrado en la cámara como la pose absoluta del efector final en relación con el marco superior del endoscopio. Esta configuración es similar a cómo se implementan las aplicaciones de servo visual basadas en posición (PBVS), lo que la convierte en una opción natural para dVRK.

Específicamente, dado el valor de observación o_t en el tiempo t, el objetivo es aprender la política π y predecir la secuencia de acción A_t, C = (a_t, ..., a_t+C), donde C representa el rango de predicción de acción.La política se define de la siguiente manera.

Lo siguiente es la acción centrada en herramientas. Modelamos acciones centradas en herramientas como movimiento relativo con respecto al marco del efector final actual (es decir, el marco del cuerpo en movimiento). Por tanto, las acciones centradas en herramientas se definen de la siguiente manera:

Finalmente, hay una acción relativa mixta. De manera similar al movimiento centrado en herramientas, los investigadores modelaron el movimiento relativo híbrido como movimiento relativo con respecto a dos sistemas de referencia diferentes. La traslación incremental se define en relación con el marco superior del endoscopio y la rotación incremental se define en relación con el marco efector final actual.Las acciones relativas mixtas se definen de la siguiente manera

Resultados experimentales

Durante la recopilación de datos, el robot se configuró como se muestra en la Figura 5 a continuación. En esta configuración, los investigadores recopilaron 224 pruebas de levantamiento de tejido, 250 pruebas de extracción y entrega de agujas y 500 pruebas de atado de nudos. Todos los experimentos fueron recopilados durante varios días por un solo usuario.

Evalúe el movimiento relativo para verificar la coherencia con el movimiento absoluto hacia adelante. Los investigadores intentaron comprender si el movimiento relativo de dVRK mostraba mayor consistencia que el movimiento absoluto hacia adelante. Para probar esta hipótesis, manipularon de forma remota trayectorias de referencia, como el símbolo de infinito que se muestra en la Figura 5.

Luego, el efector final se coloca en la misma pose inicial y las trayectorias se reproducen utilizando diferentes representaciones de movimiento en diferentes configuraciones de robot. Estas diferentes configuraciones implican mover el espacio de trabajo del robot hacia la izquierda y hacia la derecha. Por supuesto, el movimiento de estos espacios de trabajo provocará el movimiento de las juntas de ajuste del robot y, dado que sólo se utilizan potenciómetros para las mediciones de las juntas, estas juntas pueden conducir fácilmente a grandes errores de medición.

La Tabla 1 a continuación muestra los resultados numéricos del error cuadrático medio (RMSE). En la configuración de referencia, dado que las articulaciones establecidas no se mueven, todas las representaciones de movimiento reconstruyen con precisión las trayectorias de referencia.

Además, en términos de representación de acción relativa, las trayectorias de referencia de los métodos relativos híbridos y centrados en herramientas son más consistentes cuando se repiten, y los errores numéricos no cambian significativamente. En conclusión, en presencia de errores de medición conjunta inconsistentes, el movimiento relativo del dVRK se comporta de manera más consistente que su movimiento absoluto hacia adelante.

A continuación, los investigadores evaluaron el desempeño de la estrategia utilizando diferentes representaciones de acciones, como levantar tejido, recoger y entregar agujas y hacer nudos. Los resultados se muestran en la Tabla 2 a continuación. La representación de acciones centrada en la cámara tiene un rendimiento deficiente en las tres tareas.

La representación de acciones centrada en herramientas mostró un mejor rendimiento en las tres tareas. Sin embargo, durante el proceso de recogida y transferencia de agujas, la transferencia falla a menudo cuando se realizan grandes operaciones de rotación. Especialmente después de recoger la aguja, el soporte izquierdo debe girarse unos 90 grados para transferir la aguja al otro brazo robótico, como se muestra en la Figura 6 a continuación. Durante esta fase de movimiento, la orientación de la pinza parece ser correcta, pero el movimiento de traslación no parece ser correcto, lo que puede ser la causa del fallo.