Spatiotemporal Context-dependent Personalized Movement Compensation in Delayed Telemanipulation

Resumen Técnico: Compensación de Movimiento Personalizada Dependiente del Contexto Espaciotemporal en Telemanipulación con Retraso

Planteamiento del Problema
El retraso en la comunicación sigue siendo una barrera crítica en la teleoperación quirúrgica y robótica, lo que interrumpe la coordinación visomotora y degraga la precisión de la tarea. Aunque los retrasos inferiores a 330 ms son generalmente manejables, las latencias que superan los 400 ms perjudican significativamente el desempeño del cirujano y comprometen la seguridad percibida. Las contramedidas existentes, como el escalado de movimiento (ganancias de sub-unidad), a menudo dependen de parámetros uniformes que no logran considerar la variabilidad individual del operador o el contexto específico de la tarea (por ejemplo, dirección del movimiento, distancia y magnitud del retraso). La literatura actual sugiere que la sensibilidad al retraso cambia según la geometría de la tarea y la adaptación del operador, sin embargo, los factores que dan forma a estas variaciones siguen siendo insuficientemente estudiados.

Metodología
Los autores llevaron a cabo un estudio de dos sesiones con veinte participantes sanos para evaluar un marco de compensación de movimiento centrado en el humano y personalizado.

• Diseño Experimental:
  • Sesión 1 (SimOnly): Los participantes realizaron tareas de alcance teleoperadas en un entorno virtual (CoppeliaSim) utilizando un gemelo digital de un da Vinci Research Kit (dVRK) y una interfaz háptica. El estudio utilizó un diseño intra-sujeto cruzando cuatro factores: Asistencia (Personalizada vs. No asistida), Retraso (100, 250, 400 ms), Distancia (5, 10, 15 mm) y Dirección (Lateral, Longitudinal, Vertical).
  • Sesión 2 (Sim2Real): Los participantes regresaron para realizar una tarea de transferencia de pernos modificada en un sistema físico dVRK. Esta sesión probó la transferencia de las ganancias derivadas de la simulación al hardware real. Incluyó condiciones de asistencia No asistida, Generalizada (promedio de la población) y Personalizada.
• Estrategia de Personalización: La innovación central es un método para ajustar parámetros de escalado personalizados ($G$) para cada participante basándose en combinaciones específicas de retraso ($\delta$), distancia ($d$) y dirección ($\theta$). La ganancia se calcula como la relación entre la distancia máxima de alcance en una línea base sin retraso y la misma en una condición con retraso, creando efectivamente un "tensor de ganancia" para minimizar el sobreimpulso (overshoot).
• Métricas: El desempeño se evaluó mediante el Error de Alcance Inicial (sobreimpulso/subimpulso), el Error de Punto Final, la Suavidad del Movimiento (Longitud del Arco Espectral), la Economía de Movimiento (Índice de Rectitud del Trayecto) y una métrica Combinada de Error-Tiempo (nCET). La carga de trabajo subjetiva se midió mediante NASA-TLX.
• Análisis: Se utilizaron modelos lineales de efectos mixtos para analizar los efectos principales y las interacciones, con datos transformados mediante Box-Cox para asegurar la normalidad.

Contribuciones Clave
El artículo establece tres contribuciones primarias:

1. Personalización Dependiente del Contexto: Demuestra que el escalado de movimiento personalizado, condicionado por el retraso, la distancia y la dirección, mejora significativamente el desempeño de la telemanipulación en comparación con los ensayos no asistidos en simulación, con beneficios transferibles al hardware real para métricas específicas.
2. Precisión sin Penalización de Tiempo: El escalado personalizado mejora la precisión espacial (reduciendo el sobreimpulso) sin un aumento confiable en el tiempo de movimiento en la mayoría de las condiciones, mejorando así la relación velocidad-precisión, aunque las ganancias de precisión fueron inconsistentes para el error de punto final en escenarios del mundo real.
3. Transferencia de Simulación a Realidad (Sim-to-Real): El estudio valida que las ganancias personalizadas derivadas de datos de simulación se transfieren a tareas de manipulación en hardware físico real, aunque con una efectividad reducida y limitaciones de métricas específicas en comparación con el entorno de simulación.

Resultos

• Simulación (SimOnly): La asistencia personalizada redujo consistentemente el sobreimpulso en todos los retrasos, distancias y direcciones. Sin embargo, el beneficio para el error de punto final no aumentó con el retraso; en cambio, la asistencia fue más beneficiosa y consistente específicamente en la dirección de alcance hacia adentro en relación con la no asistencia. Los beneficios fueron más pronunciados en retrasos largos (400 ms) para el sobreimpulso, produciendo mejoras de desempeño del 20–25% en métricas clave. La personalización también mejoró significativamente la suavidad del movimiento y la economía. Notablemente, los beneficios de precisión dependieron de la dirección, mostrando el alcance hacia adentro (hacia la línea media del cuerpo) una mayor mejora que el alcance hacia afuera.
• Mundo Real (Sim2Real): La transferencia de las ganancias personalizadas al robot físico confirmó mejoras en la suavidad del movimiento y la economía. Sin embargo, los beneficios fueron menos consistentes que en la simulación. Específicamente, la asistencia personalizada no resultó en una reducción consistente del error de punto final en la tarea real y, en algunos casos (por ejemplo, con un retraso de 250 ms), disminuyó la precisión en comparación con los ensayos no asistidos. Además, mientras que la asistencia personalizada mejoró el error de alcance inicial en la simulación, este beneficio se eliminó en la transferencia al mundo real.
• Personalizado vs. Generalizado: Mientras que las ganancias promedio de la población (genéricas) proporcionaron una base sólida, las ganancias personalizadas ofrecieron ventajas distintas en contextos específicos, particularmente en el alcance hacia adentro a distancias cortas bajo un retraso moderado. En la sesión Sim2Real, la asistencia personalizada redujo significativamente la carga de trabajo subjetiva en comparación con las ganancias genéricas, incluso cuando las diferencias de carga de trabajo general entre los ensayos asistidos y no asistidos fueron insignificantes.

Significancia y Pretensiones
Los autores sostienen que este trabajo destaca el potencial de la personalización del escalado como base para marcos de teleoperación más adaptativos. Los resultados sugieren que la compensación del retraso no debe verse como una calibración estática, sino como un proceso dinámico y consciente del contexto. Al integrar la inicialización a nivel de población con el refinamiento adaptativo basado en el estado del usuario y el contexto de la tarea (dirección y distancia), los sistemas de teleoperación pueden lograr tanto fiabilidad como flexibilidad. El artículo concluye que, si bien las ganancias genéricas son puntos de partida efectivos para nuevos usuarios, la personalización es crucial para optimizar el desempeño en escenarios donde se requiere un control feedforward humano pero incierto, con el objetivo final de mejorar la seguridad y la precisión de los procedimientos teleoperados.