💻 computer science

Autonomous Robotic Tissue Palpation and Abnormalities Characterisation via Ergodic Exploration

यह शोध पत्र एक स्वायत्त रोबोटिक पल्पेशन फ्रेमवर्क प्रस्तुत करता है जो मौजूदा बायेसियन ऑप्टिमाइज़ेशन तकनीकों की तुलना में बेहतर वास्तविक समय इलास्टिक मैपिंग और असामान्यता का पता लगाने के लिए विस्कोइलास्टिक मॉडलिंग, एक्सपेक्टेड इंफॉर्मेशन डेंसिटी द्वारा संचालित एर्गोडिक एक्सप्लोरेशन और एडेप्टिव ट्रजेक्टरी प्लानिंग को एकीकृत करता है।

मूल लेखक: Luca Beber, Edoardo Lamon, Matteo Saveriano, Daniele Fontanelli, Luigi Palopoli

प्रकाशित 2026-02-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luca Beber, Edoardo Lamon, Matteo Saveriano, Daniele Fontanelli, Luigi Palopoli

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक डॉक्टर हैं जो आटे के एक नरम, मुलायम टुकड़े (जैसे स्तन ऊतक में ट्यूमर) के अंदर एक छोटे, कठोर उभार को खोजने की कोशिश कर रहे हैं। वास्तविक दुनिया में, डॉक्टर ऐसा करने के लिए अपनी उंगलियों से ऊतक को महसूस करते हैं, जिसे पल्पेशन (Palpation) कहा जाता है। वे दबाव डालते हैं, यह महसूस करते हैं कि प्रतिरोध कितना है, और कठोर स्थानों का मानचित्र तैयार करते हैं।

लेकिन मानव हाथों की सीमाएँ होती हैं। वे थक सकते हैं, वे छोटे उभारों को मिस कर सकते हैं, और हर डॉक्टर चीजों को थोड़ा अलग तरह से महसूस करता है।

यह शोध पत्र एक रोबोटिक डॉक्टर के हाथ का प्रस्ताव देता है जो अधिक स्मार्ट, तेज़ और सुसंगत है। यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. रोबोट की "उंगली" और "मस्तिष्क"

रोबोट की उंगली में किसी महंगे, विशेष सेंसर के बजाय, टीम एक मानक फोर्स सेंसर (एक बहुत ही संवेदनशील तराजू की तरह) का उपयोग करती है जो एक रोबोटिक आर्म से जुड़ा होता है।

उपमा: रोबोट की उंगली को एक अंधे व्यक्ति की छड़ी की तरह समझें। यह ऊतक को "देखता" नहीं है; यह प्रतिरोध को "महसूस" करता है।
जादू: जैसे ही रोबोट दबाव डालता और चलता है, वह एक विशेष गणितीय मॉडल (एक "विस्कोइलास्टिक मॉडल") का उपयोग करके यह पता लगाता है कि उस सटीक स्थान पर ऊतक कितना सख्त है। यह ऐसा है जैसे रोबोट पूछ रहा हो, "यदि मैं इसे इतनी जोर से दबाऊं, तो यह कितनी मजबूती से वापस दबेगा?" और तुरंत कठोरता (stiffness) की गणना करता है।

2. समस्या: खोज कैसे करें?

यदि आप घास के ढेर में सुई ढूंढ रहे हों, तो आप:

तरीका A (पुराना तरीका - बेयसियन ऑप्टिमाइज़ेशन): एक जगह चुनें, उसे जांचें। यदि वह आशाजनक लगती है, तो पास के स्थानों को जांचें। यदि वह उबाऊ है, तो दूर कहीं कूद जाएँ। यह एक जासूस के अंतर्ज्ञान का पीछा करने जैसा है। यह सुई के केंद्र को खोजने में अच्छा है, लेकिन यह अक्सर सुई के किनारों या उसके आकार को मिस कर देता है।
तरीका B (नया तरीका - एर्गोडिक एक्सप्लोरेशन): कल्पना करें कि आप एक लॉन को पानी दे रहे हैं। आप केवल उन जगहों पर पानी नहीं देते जहाँ आपको लगता है कि सूखा है; बल्कि आप अपने पाइप को एक सुचारू, बहते हुए पैटर्न में घुमाते हैं जो पूरे लॉन को कवर करता है, लेकिन आप सूखी जगहों पर अधिक समय बिताते हैं और गीली जगहों पर कम समय।

यह शोध पत्र तरीका B का उपयोग करता है। इसे एर्गोडिक एक्सप्लोरेशन (Ergodic Exploration) कहा जाता है।

3. "हीट मैप" गाइड

रोबोट केवल बिना सोचे-समझे इधर-उधर नहीं घूमता। इसके पास एक मानसिक "हीट मैप" (जिसे एक्सपेक्टेड इंफॉर्मेशन डेंसिटी कहा जाता है) है जो इसे बताता है कि कहाँ जाना है।

रूपक: कल्पना करें कि ऊतक एक अंधेरा कमरा है। रोबोट वहां रोशनी करना चाहता है।
- अनिश्चितता (Uncertainty): यदि रोबोट ने अभी तक किसी जगह को छुआ नहीं है, तो वह जगह "अंधेरी" (उच्च अनिश्चितता) है। रोबोट वहां जाना चाहता है ताकि वहां रोशनी की जा सके।
- कठोरता (Stiffness): यदि रोबोट को कुछ कठोर महसूस होता है, तो वह जगह "गर्म" है। रोबोट वहां रुकना चाहता है ताकि यह देख सके कि वह कठोर स्थान कितना बड़ा है।
- किनारे (Edges): यदि कठोरता तेजी से बदलती है (जैसे ट्यूमर का किनारा), तो वह एक "चमकदार रेखा" है। रोबोट उस रेखा को सावधानी से ट्रेस करना चाहता है।

रोबोट का मस्तिष्क इन सभी संवेदनाओं को एक एकल मानचित्र में जोड़ता है और अपने हाथ को एक सुचारू, निरंतर प्रवाह में चलाता है, जिससे वह "दिलचस्प" क्षेत्रों में अधिक समय बिताता है और "उबाऊ" नरम क्षेत्रों में कम समय।

4. "हीट इक्वेशन" कंट्रोलर

रोबोट इतनी सहजता से कैसे चलता है? यह हीट इक्वेशन ड्रिवन एरिया कवरेज (HEDAC) नामक एक गणितीय ट्रिक का उपयोग करता है।

उपमा: कांच के पानी में स्याही की एक बूंद डालने की कल्पना करें। स्याही सुचारू रूप से फैलती है, खाली जगहों को भर देती है। रोबोट का पथ उस फैलती हुई स्याही की तरह है। यह स्वाभाविक रूप से उन अंतरालों में बहता है जहाँ इसने अभी तक दौरा नहीं किया है और झटकेदार, अचानक उछालों से बचने के लिए अपने पथ को सुचारू बनाता है। यह रोबोट को एक स्थिर, सुरक्षित गति (100 बार प्रति सेकंड!) पर चलने की अनुमति देता है बिना अटके या जगहों को छोड़े।

5. यह कब रुकता है?

आमतौर पर, रोबोट एक निर्धारित समय के बाद रुक जाते हैं (जैसे, "5 मिनट तक खोजें")। यह शोध पत्र एक स्मार्ट नियम का उपयोग करता है: रोबोट तब रुकता है जब उसे लगता है कि उसने "पर्याप्त देख लिया" है।

रूपक: कल्पना करें कि आप एक किताब पढ़ रहे हैं। आप 10 पन्नों के बाद नहीं रुकते; आप तब रुकते हैं जब आप कहानी समझ जाते हैं। रोबोट मापता है कि इसका मानचित्र "आदर्श" कवरेज से कितनी अच्छी तरह मेल खाता है। एक बार जब मानचित्र पर्याप्त विस्तृत हो जाता है और रोबोट को कोई नया आश्चर्य नहीं मिलता, तो वह कहता है, "ठीक है, मेरा काम हो गया," और रुक जाता है। इससे समय और बैटरी की बचत होती है।

6. परिणाम: क्या यह काम आया?

टीम ने दो तरीकों से परीक्षण किया:

कंप्यूटर सिमुलेशन: उन्होंने डिजिटल दुनिया में नकली "ट्यूमर" बनाए। रोबोट ने उन्हें पुराने "जासूस" तरीके (बेयसियन ऑप्टिमाइज़ेशन) की तुलना में अधिक तेज़ी से खोजा और उनके आकार का अधिक सटीक चित्र बनाया।
वास्तविक दुनिया का परीक्षण: उन्होंने नरम सिलिकॉन से बना एक नकली ऊतक बनाया जिसके अंदर एक कठोर गेंद छिपी हुई थी (जैसे कि ट्यूमर)। रोबोट ने सफलतापूर्वक गेंद को खोजा, उसके आकार का मानचित्र बनाया, और "शोर" (जैसे कांपते हाथ या सेंसर की त्रुटियां) के बावजूद उसे नरम ऊतक से अलग पहचाना।

यह क्यों मायने रखता है?

यह सस्ता है: यह मानक रोबोटिक पुर्जों का उपयोग करता है, न कि महंगे कस्टम सेंसर का।
यह सुरक्षित है: यह झटकेदार उछाल के बजाय सुचारू रूप से चलता है, जो नाजुक चिकित्सा प्रक्रियाओं के लिए महत्वपूर्ण है।
यह स्मार्ट है: यह जानता है कि कब नए क्षेत्रों की खोज करनी है और कब समस्या के विवरणों को खोजने पर ध्यान केंद्रित करना है।

संक्षेप में: यह शोध पत्र एक रोबोट को यह सिखाता है कि नरम ऊतक के आसपास कैसे "महसूस" किया जाए, न कि केवल बेतरतीब ढंग से चुभाकर, बल्कि एक परिदृश्य पर बहते हुए पानी की तरह, बम्प्स और कठोर स्थानों की जांच करने में अधिक समय बिताते हुए, और केवल तभी रुकते हुए जब उसके पास नीचे क्या है उसकी एक पूर्ण और सटीक तस्वीर हो।

यहाँ शोध पत्र "Autonomous Robotic Tissue Palpation and Abnormalities Characterisation via Ergodic Exploration" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रोबोटिक पैल्पेशन (स्पर्श द्वारा जांचना) प्रारंभिक निदान (जैसे, स्तन कैंसर) और रोबोट-सहायता प्राप्त न्यूनतम आक्रामक सर्जरी (RMIS) में सुरक्षित नेविगेशन के लिए महत्वपूर्ण है। हालाँकि, मौजूदा दृष्टिकोणों में कई सीमाएँ हैं:

विषयपरकता और परिवर्तनशीलता (Subjectivity & Variability): मैनुअल पैल्पेशन व्यक्तिपरक होता है और इसमें अभ्यासकर्ताओं के बीच भिन्नता की संभावना रहती है।
हार्डवेयर संबंधी बाधाएं (Hardware Constraints): कई मौजूदा रोबोटिक पैल्पेशन सिस्टम कस्टम, एम्बेडेड टैक्टाइल सेंसर या महंगे इमेजिंग (MRI/अल्ट्रासाउंड) पर निर्भर करते हैं जिन्हें मानक सर्जिकल रोबोट में एकीकृत करना कठिन होता है।
एल्गोरिदम संबंधी सीमाएं (Algorithmic Limitations): पिछले स्वायत्त (autonomous) तरीके अक्सर बायेसियन ऑप्टिमाइजेशन (BO) का उपयोग करते हैं। जबकि BO स्थानीय मैक्सिमा (कठोर उभारों) को खोजने में प्रभावी है, यह असामान्यताओं की सीमाओं को सटीक रूप से निर्धारित करने में संघर्ष करता है और वैश्विक अन्वेषण (global exploration) तथा स्थानीय दोहन (local exploitation) के बीच संतुलन बनाने में अक्षम हो सकता है। इसके अलावा, मानक BO असतत (discrete), बिंदु-से-बिंदु नमूना पथ उत्पन्न करता है जो क्लिनिकल सेटिंग्स में निरंतर रोबोटिक गति के लिए असुरक्षित या अव्यवहारिक होते हैं।

लक्ष्य: एक ऐसा स्वायत्त ढांचा विकसित करना जो केवल एक मानक कमर्शियल फोर्स/टॉर्क (F/T) सेंसर का उपयोग करके वास्तविक समय में उच्च-निष्ठा (high-fidelity) वाले इलास्टिक स्टिफनेस मैप बना सके और कठोर समावेशन (stiff inclusions/tumors) का पता लगा सके, जिसके लिए किसी विशेष टैक्टाइल हार्डवेयर की आवश्यकता न हो।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा एक क्लोज्ड-लूप सिस्टम है जो ऑनलाइन विस्कोइलास्टिक पैरामीटर अनुमान (online viscoelastic parameter estimation) को एर्गोडिक ट्रैजेक्टरी प्लानिंग (ergodic trajectory planning) के साथ एकीकृत करता है।

A. सेंसिंग और पैरामीटर अनुमान (Sensing and Parameter Estimation)

हार्डवेयर: एक मानक 6-एक्सिस F/T सेंसर (Bota SensOne) और एक UR3e रोबोट से जुड़ा गोलाकार इंडेंटर (spherical indenter) उपयोग किया जाता है।
मॉडल: यह डाइमेंशनलिटी रिडक्शन मेथड (DRM) पर आधारित एक विस्कोइलास्टिक कॉन्टैक्ट मॉडल का उपयोग करता है। यह ऊतक (tissue) की प्रतिक्रिया को हर्ट्ज़ियन इलास्टिक विरूपण (Hertzian elastic deformation) और विस्कोइलास्टिक डैम्पिंग के संयोजन के रूप में मॉडल करता है।
अनुमान (Estimation): एक एक्सटेंडेड कलमन फिल्टर (EKF) बल और इंडेंटेशन गहराई/वेग डेटा से वास्तविक समय में ऊतक के यंग्स मॉड्यूलस (stiffness) और विस्कोसिटी का अनुमान लगाता है। यह बिना रुके निरंतर मैपिंग की अनुमति देता है।

B. लक्ष्य वितरण: अपेक्षित सूचना घनत्व (Expected Information Density - EID)

एक साधारण अनिश्चितता मानचित्र के बजाय, लेखक अन्वेषण को निर्देशित करने के लिए एक विशेष एक्स्पेक्टेड इंफॉर्मेशन डेंसिटी (EID) फलन, $\xi_{EID}(x)$ को परिभाषित करते हैं। यह फलन तीन कारकों को संतुलित करता है:

अनिश्चितता (Uncertainty): गॉसियन प्रोसेस रिग्रेशन (GPR) मॉडल में उच्च विचरण (exploration)।
स्टिफनेस परिमाण (Stiffness Magnitude): उच्च अनुमानित स्टिफनेस मान (संभावित घावों का दोहन/exploitation)।
स्थानिक ग्रेडिएंट्स (Spatial Gradients): स्टिफनेस में उच्च ग्रेडिएंट (घावों की सीमाओं को परिष्कृत करना)।

इस ट्रेड-ऑफ को एर्गोडिक मेट्रिक से प्राप्त एक समय-परिवर्तनीय स्केलर $\alpha(t)$ द्वारा नियंत्रित किया जाता है। प्रारंभ में, $\alpha$ उच्च होता है, जो अनिश्चित क्षेत्रों के अन्वेषण (exploration) को प्राथमिकता देता है। जैसे-जैसे रोबोट स्थान को कवर करता है, $\alpha$ घटता जाता है, जिससे ध्यान उच्च-स्टिफनेस वाले क्षेत्रों और सीमाओं को परिष्कृत करने (exploitation) की ओर स्थानांतरित हो जाता है।

C. ट्रैजेक्टरी प्लानिंग: HEDAC के माध्यम से एर्गोडिक नियंत्रण

एल्गोरिदम: सिस्टम हीट इक्वेशन ड्रिवन एरिया कवरेज (HEDAC) का उपयोग करता है, जो एक वास्तविक समय का एर्गोडिक कंट्रोलर है।
तंत्र: स्पेक्ट्रल मल्टीस्केल कवरेज (SMC) के विपरीत, जो गणनात्मक रूप से भारी है और कम आवृत्तियों (~4 Hz) तक सीमित है, HEDAC एक स्थिर हीट समीकरण को हल करके सुचारू, निरंतर प्रक्षेपवक्र (trajectories) उत्पन्न करता है।
प्रदर्शन: कंट्रोलर 100 Hz पर चलता है, जो सुचारू गति और नए डेटा के प्रति तीव्र अनुकूलन सुनिश्चित करता है। यह ऐसे प्रक्षेपवक्र बनाता है जहाँ किसी भी क्षेत्र में बिताया गया समय उस क्षेत्र के EID के समानुपाती होता है।

D. रुकने का मानदंड (Stopping Criterion)

सिस्टम एर्गोडिक मेट्रिक $\alpha$ पर आधारित एक सूचना-सैद्धांतिक (information-theoretic) रुकने के मानदंड का उपयोग करता है। अन्वेषण तब समाप्त होता है जब $\alpha$ एक थ्रेशोल्ड (जैसे, 0.4) तक पहुँच जाता है, जो यह दर्शाता है कि प्रक्षेपवक्र लक्ष्य वितरण के साथ पर्याप्त रूप से अभिसरित (converged) हो गया है, जिससे मनमाने समय सीमा या निश्चित चरणों से बचा जा सके।

3. मुख्य योगदान (Key Contributions)

स्टिफनेस मैपिंग के लिए अनुकूलित EID: एक नवीन सूचना घनत्व फलन जो एर्गोडिक अन्वेषण को नैदानिक रूप से प्रासंगिक क्षेत्रों की ओर निर्देशित करने के लिए अनिश्चितता, स्टिफनेस परिमाण और स्थानिक ग्रेडिएंट को स्पष्ट रूप से जोड़ता है।
क्लोज्ड-लूप एकीकरण: ऑनलाइन फोर्स-आधारित विस्कोइलास्टिक अनुमान और एर्गोडिक ट्रैजेक्टरी प्लानिंग के बीच एक निर्बाध लूप, जहाँ स्टिफनेस अनुमान निरंतर अन्वेषण के उद्देश्य को नया आकार देते हैं।
वास्तविक समय कार्यान्वयन: 100 Hz पर HED_AC का उपयोग करके एर्गोडिक पैल्पेशन का सफल कार्यान्वयन, जो निरंतर गति और अन्वेषण एवं दोहन के बीच संतुलन को सक्षम बनाता है, जिससे पिछले स्पेक्ट्रल तरीकों की गणनात्मक बाधाओं को दूर किया जा सका।
हार्डवेयर तटस्थता (Hardware Agnosticism): यह ढांचा पूरी तरह से एक कमर्शियल F/T सेंसर पर निर्भर है, जो कस्टम टैक्टाइल एरे की आवश्यकता को समाप्त करता है और पोर्टेबिलिटी एवं लागत-प्रभावशीलता सुनिश्चित करता है।

4. परिणाम (Results)

सिमुलेशन परिणाम

सेटअप: इसे सिंथेटिक स्टिफनेस मैप्स पर परीक्षण किया गया, जिसमें एक सॉफ्ट बैकग्राउंड में 1, 2, और 3 कठोर समावेशन (ट्यूमर का अनुकरण) थे।
तुलना: प्रस्तावित एर्गोडिक विधि की तुलना दो बायेसियन ऑप्टिमाइजेशन बेसलाइन से की गई: BO-EI (मानक एक्सपेक्टेड इम्प्रूवमेंट) और BO-EIS (निरंतर गति के लिए मध्यवर्ती नमूनाकरण के साथ BO)।
प्रदर्शन:
- सटीकता: एर्गोडिक पद्धति ने दोनों BO वेरिएंट की तुलना में स्टिफनेस पुनर्निर्माण में काफी कम रूट मीन स्क्वायर एरर (RMSE) प्राप्त किया (शोर-मुक्त स्थितियों में 800mm यात्रा पर BO-EIS के लिए 1.87 kPa के मुकाबले एर्गोडिक के लिए 1.42 kPa)।
- दक्षता: इसने कम निष्पादन समय और कम प्रक्षेपवक्र लंबाई के साथ उच्च डिटेक्शन दर (99%) प्राप्त की।
- सेगमेंटेशन: सीमा निर्धारण कार्यों (संवेदनशीलता/विशिष्टता) में, एर्गोडिक विधि ने BO को पछाड़ दिया, विशेष रूप से अनियमित आकारों का पता लगाने में (संवेदनशीलता ~0.975 बनाम BO-EIS के लिए 0.950)।
- मजबूती (Robustness): विधि ने मापन शोर ( $N(0, 6.25 \text{ kPa}^2)$ ) के साथ भी उच्च प्रदर्शन बनाए रखा।

प्रयोगात्मक सत्यापन (Experimental Validation)

सेटअप: एक UR3e रोबोट ने एक सिलिकॉन फैंटम का पैल्पेशन किया जिसमें एक सॉफ्ट मैट्रिक्स (Ecoflex-0030) के भीतर एक कठोर गोलाकार समावेशन (DragonSkin-30NV) समाहित था।
परिणाम:
- सभी 5 परीक्षणों में कठोर समावेशन के स्थान को सफलतापूर्वक पहचाना।
- पुनर्निर्माण सटीकता: RMSE $9.76 \pm 2.97$ kPa।
- वर्गीकरण: औसत संवेदनशीलता (Sensitivity) 0.92 और विशिष्टता (Specificity) 0.98 प्राप्त हुई, जो गलत नकारात्मक (false negatives) से बचने की मजबूत क्षमता को प्रदर्शित करती है (जो मेडिकल स्क्रीनिंग के लिए महत्वपूर्ण है)।
- प्रक्षेपवक्र स्वाभाविक रूप से कठोर क्षेत्र पर केंद्रित हुआ जबकि उसने शेष मानचित्र को भी कवर किया, जो EID की अनुकूलन क्षमता को प्रमाणित करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य प्रदर्शित करता है कि निरंतर रोबोटिक टिश्यू पैल्पेशन के लिए एर्गोडिक अन्वेषण, बायेसियन ऑप्टिमाइजेशन की तुलना में बेहतर है। डिस्क्रीट पॉइंट-सैंपलिंग से निरंतर, घनत्व-समानुपाती प्रक्षेपवक्र योजना की ओर शिफ्ट होकर, यह प्रणाली निम्नलिखित प्राप्त करती है:

उच्च निष्ठा वाले मानचित्र (Higher Fidelity Maps): स्टिफनेस सीमाओं का अधिक सटीक पुनर्निर्माण, जो ट्यूमर मार्जिन को परिभाषित करने के लिए महत्वपूर्ण है।
क्लिनिकल व्यवहार्यता: ऑफ-द-शेल्फ F/T सेंसर का उपयोग मानक सर्जिकल रोबोट के साथ सिस्टम को संगत बनाता है, जिससे इसे अपनाने में आसानी होती है।
सुरक्षा और दक्षता: HEDAC द्वारा उत्पन्न सुचारू, निरंतर प्रक्षेपव्यक्रम, BO से जुड़ी अनियमित छलांगों की तुलना में रोगी के संपर्क के लिए अधिक सुरक्षित हैं।

प्रस्तावित ढांचा स्वायत्त नैदानिक पैल्पेशन के लिए एक मजबूत, वास्तविक समय समाधान प्रदान करता है, जो ऊतक असामान्यताओं का उच्च संवेदनशीलता और विशिष्टता के साथ पता लगाने और लक्षण वर्णन करने में सक्षम है, जो क्लिनिकल और सर्जिकल सेटिंग्स में सहायक नैदानिक उपकरणों के लिए मार्ग प्रशस्त करता है। भविष्य के कार्यों का लक्ष्य इसे 3D गैर-सपाट सतहों और ex vivo ऊतकों तक विस्तारित करना है।