Research on Adaptive Fuzzy PID Control of Breast Intervention Robot Based on Visual Detection

Imaginez un monde où les robots ne se contentent pas de construire des voitures ou d'aspirer les sols, mais aident les médecins à réaliser des chirurgies délicates. C'est le coin passionnant de la science appelé robotique médicale. Au cœur de ces machines, deux superpouvoirs sont nécessaires : la vision et le contrôle. Considérez la vision comme les yeux du robot, lui permettant de voir exactement où se trouve une aiguille dans un espace 3D, tout comme votre cerveau combine ce que vos deux yeux voient pour juger de la distance. Ensuite, il y a le contrôle, le « cerveau » du mouvement du robot. Un système de contrôle standard est comme un conducteur qui ne regarde que le tachymètre ; s'il va trop vite, il pile brusquement, dépassant souvent le panneau stop. Un système plus intelligent, en revanche, est comme un conducteur expérimenté qui ressent la route, anticipe les bosses et ajuste doucement la direction et l'accélérateur pour s'arrêter exactement là où il doit le faire. Pourquoi est-ce important ? Parce que dans le traitement du cancer du sein, les médecins doivent guider une aiguille dans une minuscule tumeur avec une précision extrême. Même un léger tremblement ou une cible manquée peut faire la différence entre une biopsie réussie et un dommage inutile.

Le robot qui apprend à stabiliser sa main

Dans cette étude, une équipe de chercheurs de l'Université de technologie de Harbin a abordé le problème complexe de faire bouger un robot d'intervention mammaire avec la stabilité d'un chirurgien chevronné. Ils voulaient résoudre un casse-tête spécifique : lorsqu'un robot tente de pousser une aiguille dans un tissu mammaire mou et spongieux, il tremble souvent ou dépasse sa cible. Pour y remédier, ils ont construit un système qui combine la vision stéréoscopique binoculaire (deux caméras travaillant ensemble comme les yeux humains) avec une nouvelle façon ingénieuse de contrôler les moteurs du robot appelée PID adaptatif flou.

Les yeux : Voir la pointe de l'aiguille en 3D

D'abord, l'équipe a dû apprendre au robot comment voir. Ils n'ont pas utilisé une seule caméra, mais une paire, créant une configuration « binoculaire ». Imaginez regarder un doigt en fermant un œil, puis l'autre ; votre cerveau remarque que le doigt change de position. Le robot fait la même chose. En utilisant deux caméras, il peut calculer exactement où se trouve la pointe de l'aiguille de biopsie dans l'espace 3D.

Le processus est comme un tour de magie de haute technologie impliquant plusieurs étapes :

1. Nettoyage de l'image : Les images brutes des caméras sont un peu désordonnées, l'ordinateur commence donc par les lisser, en supprimant le « bruit » (comme de la neige sur une vieille télévision).
2. Alignement de la vue : Les deux images de la caméra sont mathématiquement « redressées » pour qu'elles s'alignent parfaitement, comme les deux pièces d'un puzzle.
3. Recherche de la correspondance : L'ordinateur cherche le même point sur la pointe de l'aiguille dans les deux images. Il utilise une méthode appelée SGBM (Semi-Global Block Matching) pour trouver la meilleure correspondance, créant ainsi une « carte de disparité » — une image spéciale qui indique au robot à quelle distance se trouve chaque point.
4. Détection du cercle : La pointe de l'aiguille possède un marqueur rond spécial. Le robot utilise une technique appelée transformée de gradient de Hough pour trouver ce cercle dans l'image, localisant ainsi son emplacement exact.

En combinant ces étapes, le robot peut suivre la pointe de l'aiguille en temps réel, mettant à jour sa position chaque seconde (plus précisément, toutes les 1000 millisecondes).

Le cerveau : Le contrôleur « Flou »

Une fois que le robot voit où se trouve l'aiguille, il doit l'y amener. C'est là que le PID Adaptatif Flou intervient.

Pour comprendre cela, imaginez que vous essayez de garer une voiture dans un espace étroit.

• Un contrôleur PID standard est comme un conducteur qui ne réagit qu'à la distance qui le sépare de sa cible. S'il est trop à gauche, il tourne à droite. Mais il pourrait tourner trop fort, basculer trop loin à droite, puis devoir corriger à nouveau, provoquant un arrêt saccadé et tremblant.
• Le PID Adaptatif Flou est comme un conducteur qui ne voit pas seulement à quel point il est décalé, mais aussi à quelle vitesse il se dirige vers la place. Si la vitesse est élevée et qu'il se rapproche, le conducteur relâche doucement l'accélérateur avant de dépasser la cible.

La partie « Floue » est l'ingrédient secret. Dans la vie réelle, les choses ne sont pas toujours noires ou blanches (0 ou 1). La « logique floue » permet au robot d'utiliser des règles telles que : « Si l'erreur est petite et devient de plus en plus rapide, alors ralentir un peu ». Le robot utilise ces règles pour ajuster constamment ses propres paramètres (les valeurs P, I et D) à la volée. C'est comme si le robot apprenait à conduire l'aiguille en temps réel, ajustant sa prise en fonction de la sensation du tissu et du mouvement de l'aiguille.

Les résultats : Plus fluide et plus précis

Les chercheurs ont testé leur nouveau système de deux manières : par des simulations informatiques et par des expériences réelles avec un robot physique.

Dans les simulations :
Lorsqu'ils ont comparé leur nouveau cerveau « Flou » à un cerveau « Standard » traditionnel, les résultats étaient clairs. Le nouveau système était beaucoup plus calme. Il a réduit le « dépassement » (le franchissement de la cible) d'environ 35 % et a cessé de trembler environ 20 % plus vite. Il a atteint la cible en douceur, sans le mouvement de va-et-vient saccadé de l'ancien système.

Dans les expériences réelles :
L'équipe a construit un robot muni d'une aiguille et a tenté de le déplacer vers des cibles spécifiques.

• Avant la correction des erreurs : Le robot était correct, mais pas parfait. L'erreur moyenne était d'environ 2,4 mm sur l'axe X, 3,2 mm sur l'axe Y (la direction principale de l'aiguille) et 1,8 mm sur l'axe Z. L'erreur maximale était de 8,6 mm, ce qui est trop élevé pour une chirurgie délicate.
• La correction : Les chercheurs ont remarqué un motif dans les erreurs. Ils ont réalisé que les moteurs du robot manquaient parfois une petite étape (comme un coureur trébuchant sur ses propres lacets). Ils ont créé une « compensation » mathématique pour corriger cela.
• Après la correction : Les résultats se sont considérablement améliorés. L'erreur moyenne sur l'axe d'alimentation principal (axe Y) est tombée à 1,2 mm, et l'erreur maximale a été réduite à 3,4 mm.

Pourquoi cela compte

L'article conclut que ce système comble avec succès l'écart entre « voir » et « agir ». En combinant la vision 3D du robot avec un système de contrôle intelligent et auto-ajustable, ils ont créé une boucle fermée où le robot voit l'aiguille, calcule l'erreur et corrige instantanément son mouvement.

Bien que les erreurs initiales aient été un peu élevées, les résultats finaux compensés répondent aux exigences strictes de la chirurgie clinique, qui demande généralement une précision inférieure à 2 mm. L'étude suggère que cette approche — utiliser deux caméras pour voir et la logique floue pour réfléchir — pourrait être un moyen fiable de rendre les futures biopsies du cancer du sein plus sûres, plus précises et moins stressantes pour les patientes. Elle prouve qu'avec le bon mélange de vision et de contrôle intelligent, les robots peuvent apprendre à gérer la tâche délicate de naviguer dans les tissus humains mous.