Spatiotemporal Context-dependent Personalized Movement Compensation in Delayed Telemanipulation

Technische Zusammenfassung: Spatiotemporale kontextabhängige personalisierte Bewegungskompensation in der verzögerten Telemanipulation

Problemstellung
Kommunikationsverzögerungen stellen eine kritische Barriere für die teleoperierte Chirurgie und Robotik dar, da sie die visuomotorische Koordination stören und die Präzision bei Aufgaben herabsetzen. Während Verzögerungen unter 330 ms im Allgemeinen handhabbar sind, beeinträchtigen Latenzen von über 400 ms die Leistung des Chirurgen erheblich und gefährden die wahrgenommene Sicherheit. Bestehende Gegenmaßnahmen, wie etwa Bewegungs-Skalierung (Sub-Einheits-Gewinnraten), basieren oft auf einheitlichen Parametern, die es versäumen, die individuelle Variabilität des Bedieners oder den spezifischen Kontext der Aufgabe (z. B. Bewegungsrichtung, Distanz und Ausmaß der Verzögerung) zu berücksichtigen. Die aktuelle Literatur legt nahe, dass sich die Sensitivität gegenüber Verzögerungen basierend auf der Aufgabengeometrie und der Anpassung des Bedieners verschiebt, doch die Faktoren, die diese Variationen prägen, sind bisher unzureichend untersucht worden.

Methodik
Die Autoren führten eine Zwei-Sitzungen-Studie mit zwanzig gesunden Teilnehmern durch, um ein menschenzentriertes, personalisiertes Bewegungskompensations-Framework zu evaluieren.

• Experimentelles Design:
  • Sitzung 1 (SimOnly): Die Teilnehmer führten teleoperierte Greifaufgaben in einer virtuellen Umgebung (CoppeliaSim) unter Verwendung eines digitalen Zwilling eines da Vinci Research Kits (dVRK) und eines haptischen Interfaces durch. Die Studie nutzte ein Within-Subjects-Design, das vier Faktoren kreuzte: Unterstützung (Personalisiert vs. Ununterstützt), Verzögerung (100, 250, 400 ms), Distanz (5, 10, 15 mm) und Richtung (Lateral, Longitudinal, Vertikal).
  • Sitzung 2 (Sim2Real): Die Teilnehmer kehrten zurück, um eine modifizierte Peg-Transfer-Aufgabe an einem physischen dVRK-System durchzuführen. In dieser Sitzung wurde der Transfer der aus der Simulation abgeleiteten Gewinne auf die reale Hardware getestet. Sie beinhaltete die Bedingungen Ununterstützt, Generalisiert (populationsgemittelt) und Personalisiert.
• Personalisierungsstrategie: Die Kerninnovation ist eine Methode zur Anpassung personalisierter Skalierungsparameter ($G$) für jeden Teilnehmer basierend auf spezifischen Kombinationen von Verzögerung ($\delta$), Distanz ($d$) und Richtung ($\theta$). Der Gewinn wird als das Verhältnis der Spitzenreichweite im verzögerungsfreien Baseline-Fall zum Wert unter verzögerter Bedingung berechnet, wodurch effektiv ein „Gewinn-Tensor“ erstellt wird, um Überschwingen (Overshoot) zu minimieren.
• Metriken: Die Leistung wurde anhand des initialen Reichfehlers (Overshoot/Undershoot), des Endpunktfehlers, der Bewegungsglätte (Spectral Arc Length), der Bewegungsökonomie (Path Straightness Index) und einer kombinierten Fehler-Zeit-Metrik (nCET) bewertet. Die subjektive Arbeitsbelastung wurde mittels NASA-TLX gemessen.
• Analyse: Lineare gemischte Effektmodelle wurden verwendet, um Haupteffekte und Interaktionen zu analysieren, wobei die Daten mittels Box-Cox transformiert wurden, um Normalverteilung sicherzustellen.

Wesentliche Beiträge
Die Arbeit leistet drei primäre Beiträge:

1. Kontextabhängige Personalisierung: Es wird demonstriert, dass personalisierte Bewegungs-Skalierung, die auf Verzögerung, Distanz und Richtung konditioniert ist, die Telemanipulationsleistung im Vergleich zu ununterstützten Versuchen in der Simulation signifikant verbessert und übertragbare Vorteile für reale Hardware für spezifische Metriken bietet.
2. Genauigkeit ohne Zeitstrafe: Personalisierte Skalierung verbessert die räumliche Genauigkeit (Reduzierung des Überschwingens), ohne die Bewegungszeit in den meisten Bedingungen zuverlässig zu erhöhen, wodurch der Speed-Accuracy-Tradeoff verbessert wird, wenngleich die Genauigkeitsgewinne für den Endpunktfehler in realen Szenarien inkonsistent waren.
3. Simulation-to-Real Transfer: Die Studie validiert, dass aus Simulationsdaten gewonnene personalisierte Gewinne auf reale Manipulationsaufgaben auf physischer Hardware übertragbar sind, wenn auch mit reduzierter Effektivität und spezifischen metrischen Einschränkungen im Vergleich zur Simulationsumgebung.

Ergebnisse

• Simulation (SimOnly): Personalisierte Unterstützung reduzierte das Überschwingen (Overshoot) konsistent über alle Verzögerungen, Distanzen und Richtungen hinweg. Der Vorteil für den Endpunktfehler nahm jedoch nicht mit der Verzögerung zu; stattdessen war die Unterstützung insbesondere in der nach innen gerichteten Reichrichtung im Vergleich zu keiner Unterstützung effektiver und konsistenter. Die Vorteile waren bei längeren Verzögerungen (400 ms) für das Überschwingen am ausgeprägtesten, was Leistungssteigerungen von 20–25 % in Schlüsselmetriken ergab. Die Personalisierung verbesserte zudem signifikant die Bewegungsglätte und die Ökonomie. Bemerkenswert ist, dass die Genauigkeitsvorteile richtungsabhängig waren, wobei das nach innen gerichtete Reichen (zur Körpermitte) eine größere Verbesserung zeigte als das nach außen gerichtete Reichen.
• Reale Welt (Sim2Real): Der Transfer der personalisierten Gewinne auf den physischen Roboter bestätigte Verbesserungen in der Bewegungsglätte und Ökonomie. Die Vorteile waren jedoch weniger konsistent als in der Simulation. Insbesondere führte die personalisierte Unterstützung nicht zu einer konsistenten Reduktion des Endpunktfehlers in der realen Aufgabe und verringerte in einigen Fällen (z. B. bei 250 ms Verzögerung) die Genauigkeit im Vergleich zu ununterstützten Versuchen. Darüber hinaus wurde der Vorteil der personalisierten Unterstützung, der in der Simulation den initialen Reichfehler verbesserte, im Real-World-Transfer eliminiert.
• Personalisiert vs. Generalisiert: Während populationsgemittelte (generische) Gewinne eine solide Basis boten, boten personalisierte Gewinne in spezifischen Kontexten deutliche Vorteile, insbesondere beim nach innen gerichteten Reichen bei kurzen Distanzen unter moderater Verzögerung. In der Sim2Real-Sitzung reduzierte die personalisierte Unterstützung die subjektive Arbeitsbelastung signifikant im Vergleich zu generischen Gewinnen, selbst wenn die Unterschiede in der Gesamtarbeitsbelastung zwischen assistierten und unassistierten Versuchen vernachlässigbar waren.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Arbeit das Potenzial der personalisierten Skalierung als Fundament für adaptivere Teleoperations-Frameworks hervorhebt. Die Ergebnisse legen nahe, dass Verzögerungskompensation nicht als statische Kalibrierung, sondern als dynamischer, kontextbewusster Prozess betrachtet werden sollte. Durch die Integration von populationsbasierten Initialisierungen mit adaptiver Verfeinerung basierend auf dem Benutzerzustand und dem Aufgabenkontext (Richtung und Distanz) können Teleoperationssysteme sowohl Zuverlässigkeit als auch Flexibilität erreichen. Das Paper schließt damit, dass generische Gewinne zwar gute Ausgangspunkte für neue Nutzer sind, Personalisierung jedoch entscheidend ist, um die Leistung in Szenarien zu optimieren, in denen die menschliche Feedforward-Kontrolle benötigt, aber unsicher ist, mit dem Ziel, die Sicherheit und Präzision teleoperierter Eingriffe zu verbessern.