💻 computer science

Modeling and Control of a Pneumatic Soft Robotic Catheter Using Neural Koopman Operators

Este trabajo propone un marco de control basado en operadores de Koopman potenciados por redes neuronales para modelar y controlar catéteres robóticos blandos neumáticos, logrando una precisión superior en tareas de posicionamiento y ablación cardíaca simulada al evitar la necesidad de retroalimentación continua por imagen.

Autores originales: Yiyao Yue, Noah Barnes, Lingyun Di, Olivia Young, Ryan D. Sochol, Jeremy D. Brown, Axel Krieger

Publicado 2026-03-05

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Yiyao Yue, Noah Barnes, Lingyun Di, Olivia Young, Ryan D. Sochol, Jeremy D. Brown, Axel Krieger

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes que navegar por un laberinto hecho de tubos de goma muy blandos y delicados, como los vasos sanguíneos de un corazón. Tu objetivo es llegar a un punto específico para "apagar" un ritmo cardíaco irregular, pero no puedes ver el camino en tiempo real porque la radiografía (que te daría la visión) es peligrosa si se usa demasiado. Además, el tubo que usas para navegar es tan blando como un gusano: si le das aire por un lado, se dobla de formas impredecibles.

Este es el gran desafío que resuelve el artículo que me has pasado. Aquí te explico cómo lo hacen, usando una analogía sencilla:

1. El Problema: El "Gusano" que no entiende las reglas

Los cirujanos suelen usar catéteres robóticos blandos. El problema es que son demasiado complicados de predecir.

La vieja forma de pensar: Intentaban usar fórmulas matemáticas rígidas (como si el tubo fuera una varilla de metal) para adivinar dónde se doblaría. Pero como el tubo es de goma y se estira, esas fórmulas fallan mucho.
El problema de la visión: No pueden mirar por la radiografía todo el tiempo (demasiada radiación). Necesitan poder decir: "Si meto 5 unidades de aire aquí, el robot llegará exactamente a la meta" sin tener que corregir el rumbo constantemente.

2. La Solución Mágica: El "Traductor de Realidad Aumentada"

Los autores proponen una idea brillante llamada Operador Koopman Neural. Vamos a usar una analogía para entenderlo:

Imagina que el comportamiento del catéter es como una canción muy compleja y caótica.

El método antiguo: Intentaba leer la partitura musical nota por nota en el idioma original (el espacio de estados original). Es difícil porque la música cambia de tono constantemente.
El método Koopman: Imagina que tienes un traductor mágico que toma esa canción caótica y la convierte en una canción simple y lineal en un "idioma diferente" (el espacio elevado o lifted space). En este nuevo idioma, las reglas son simples y predecibles.
El toque de Inteligencia Artificial: Lo genial de este trabajo es que no usaron un traductor hecho a mano (que a veces se equivoca). Usaron una Red Neuronal (una IA) que aprendió por sí sola a ser el mejor traductor posible. La IA descubrió las reglas ocultas de cómo se dobla el tubo de goma y creó su propio "idioma" donde todo es fácil de calcular.

3. El Plan de Vuelo: El "Piloto Automático" (MPC)

Una vez que la IA ha traducido el comportamiento del robot a ese "idioma simple", usan un Control Predictivo por Modelo (MPC).

La analogía del GPS: Es como tener un GPS que no solo te dice dónde estás, sino que simula el futuro. El sistema piensa: "Si doy aire aquí, en 1 segundo estaré en A, en 2 segundos en B...".
Calcula la mejor ruta antes de moverse y ejecuta el movimiento completo sin necesidad de mirar por la ventana (sin retroalimentación en tiempo real). Es un control de lazo abierto: confía en su predicción tan fuerte que no necesita corregir.

4. Los Resultados: ¡Funciona!

Probaron esto en dos situaciones:

Juego de puntería: Mover la punta del robot a puntos aleatorios en una mesa.
Simulación de corazón: Navegar por una cavidad impresa en 3D que parece un corazón, intentando tocar puntos específicos en la pared.

El resultado fue impresionante:

Su método (llamado NNKM) fue el más preciso. Se equivocó en menos de 2 milímetros de posición y 5 grados de ángulo.
Los otros métodos (los antiguos o los que no usaban la IA para traducir) fallaron mucho más, a veces hasta 8 milímetros o más, lo cual es demasiado en una cirugía delicada.
Además, llegaron a la meta más rápido, ahorrando tiempo valioso.

En resumen

Los investigadores crearon un "cerebro" artificial que aprende a hablar el lenguaje de los robots blandos. Traduce el caos de la goma a una matemática simple, calcula el camino perfecto de antemano y permite que el robot llegue a su destino en el corazón con una precisión milimétrica, sin necesidad de usar rayos X constantemente.

Es como si le dieras a un cirujano un mapa del futuro que nunca falla, permitiéndole operar con la seguridad de quien tiene visión de rayos X, pero sin la radiación. ¡Un gran paso hacia cirugías más seguras y precisas!

Resumen Técnico: Modelado y Control de un Catéter Robótico Blando Neumático Utilizando Operadores Koopman Neurales

1. Planteamiento del Problema

Las intervenciones basadas en catéteres son fundamentales para el diagnóstico y tratamiento de enfermedades cardíacas, como la fibrilación auricular. Sin embargo, la navegación manual depende en gran medida de la destreza del operador y enfrenta desafíos significativos:

Comportamiento No Lineal: Los catéteres robóticos blandos neumáticos (PSRC) son inherentemente subactuados y altamente no lineales, lo que dificulta su modelado preciso.
Limitaciones de Sensado: En entornos clínicos, la navegación se ve restringida por la necesidad de minimizar la exposición a la radiación de la fluoroscopia (rayos X). Esto obliga a operar en bucle abierto (sin retroalimentación de imagen continua), lo cual es arriesgado si el modelo de control no es extremadamente preciso.
Deficiencias de los Métodos Actuales:
- Los modelos basados en física (como Cosserat o elementos finitos) son computacionalmente costosos o requieren parámetros materiales exactos difíciles de obtener.
- Los modelos geométricos simplificados (como Curvatura Constante por Partes - PCC) no capturan bien la complejidad de los sistemas neumáticos.
- Los enfoques de aprendizaje automático existentes a menudo carecen de estructura o no se integran bien con estrategias de control predictivo.
- Los métodos basados en el Operador de Koopman tradicionales dependen de funciones base seleccionadas manualmente, lo que a menudo simplifica en exceso el comportamiento del sistema y degrada el rendimiento.

2. Metodología Propuesta

Los autores proponen un marco de trabajo que integra el Operador de Koopman con Redes Neuronales para aprender una representación lineal del sistema no lineal en un espacio elevado ("lifted space"), permitiendo un control predictivo eficiente.

Marco de Operador Koopman Neural (Neural Koopman):
- En lugar de elegir funciones base manualmente, se utilizan redes neuronales feed-forward (FNN) para aprender automáticamente la transformación de los estados originales ( $x_k$ ) y las entradas de control ( $u_k$ ) a un espacio de observables de mayor dimensión ( $\gamma$ ) donde la dinámica es lineal.
- Se proponen dos arquitecturas principales:
  1. NINK (Nonlinear Input Neural Koopman): Codifica tanto el estado como la entrada de forma no lineal mediante redes neuronales. Esto permite capturar la influencia no lineal de la presión neumática en el sistema.
  2. LINK (Linear Input Neural Koopman): Utiliza una representación lineal para la entrada, asumiendo que la entrada afecta al sistema de manera lineal en el espacio elevado.
- El sistema incluye codificadores (para estados y entradas) y decodificadores para recuperar los estados originales desde el espacio elevado.
Estrategia de Control (MPC en Espacio Elevado):
- Se implementa un Control Predictivo Basado en Modelos (MPC) dentro del espacio elevado lineal.
- El MPC optimiza una función de pérdida cuadrática para predecir el comportamiento futuro y determinar la secuencia de control óptima.
- Las entradas óptimas calculadas en el espacio elevado se decodifican nuevamente a presiones físicas aplicables al catéter.
- El enfoque se valida en escenarios de bucle abierto, donde el catéter debe alcanzar una pose objetivo sin correcciones en tiempo real basadas en imágenes.

3. Contribuciones Clave

Marco de Aprendizaje de Datos: Integración del operador Koopman con redes neuronales para preservar una estructura lineal en el espacio elevado mientras se capturan comportamientos no lineales complejos de los PSRC.
Codificación No Lineal de Entradas: Propuesta de la arquitectura NINK, que supera la limitación de los métodos anteriores que asumen una relación lineal entre la entrada y el sistema, crucial para la actuación neumática.
Control de Bucle Abierto Robusto: Validación del marco para tareas de navegación clínica realistas (ablación cardíaca simulada) sin retroalimentación de imagen continua, logrando alta precisión en la llegada a objetivos.

4. Resultados Experimentales

Los experimentos se realizaron en un catéter robótico blando de doble segmento fabricado con material hiperelástico, utilizando un entorno simulado de cavidad auricular y control de posición interactivo. Se compararon cuatro métodos: NNKM (NINK + MPC), LNKM (LINK + MPC), MBKM (Base Monomial + MPC) y SSM (Espacio de Estados Lineal + MPC), además de un controlador PCC basado en Jacobiano como referencia.

Rendimiento de Modelado:
- El modelo NINK logró el mejor rendimiento en predicción, con errores cuadráticos medios (RMSE) de 0.6 mm en X, 1.1 mm en Y y 2.2° en orientación.
- Superó significativamente a los modelos con bases monomiales (MBKM) y lineales (SSM), especialmente en la predicción de la posición X, que tiene un rango de trabajo más estrecho y es más difícil de predecir.
Control de Posición (Bucle Abierto):
- NNKM alcanzó el 100% de precisión dentro de umbrales de error de 1.5 mm y 3.5 mm en todas las pruebas.
- Los métodos basados en bases manuales (MBKM) y lineales (SSM) fallaron consistentemente, mostrando inestabilidad y oscilaciones.
Control de Pose en Modelo de Aurícula (Simulación Clínica):
- En una tarea de 40 intentos hacia 5 objetivos en una cavidad de aurícula:
  - NNKM: Error promedio de posición 2.1 ± 0.4 mm y error de orientación 4.9 ± 0.6°.
  - LNKM: Error de 4.0 mm y 8.0° (peor debido a la suposición de entrada lineal).
  - PCC (Referencia): Error de 5.0 mm y 11.8°.
- Eficiencia: NNKM fue el método más rápido, reduciendo el tiempo de llegada al estado estable en un 8% respecto a LNKM, 24% respecto a MBKM y 29% respecto a SSM.

5. Significado e Impacto

Este trabajo demuestra que los operadores Koopman mejorados con redes neuronales pueden superar las limitaciones de los modelos físicos tradicionales y los métodos de aprendizaje "caja negra" en la robótica blanda.

Avance Clínico: La capacidad de lograr una navegación precisa en bucle abierto es un paso crucial hacia procedimientos de ablación cardíaca más seguros, reduciendo la dependencia de la fluoroscopia y, por ende, la exposición a la radiación del paciente y del personal médico.
Generalización: El enfoque ofrece una vía prometedora para el control de sistemas subactuados complejos donde el modelado analítico es inviable, estableciendo un nuevo estándar para el control de catéteres robóticos blandos.