Spatiotemporal Context-dependent Personalized Movement Compensation in Delayed Telemanipulation

तकनीकी सारांश: विलंबित टेलीमैनिप्यूलेशन में स्पैटियोटेम्पोरल संदर्भ-निर्भर व्यक्तिगत गति क्षतिपूर्ति

समस्या विवरण
संचार विलंब (Communication delay) टेलीऑपरेटेड सर्जरी और रोबोटिक्स में एक महत्वपूर्ण बाधा बना हुआ है, जो विज़ुओमोटर समन्वय (visuomotor coordination) को बाधित करता है और कार्य की सटीकता को कम करता है। जबकि 330 मिलीसेकंड से कम के विलंब को सामान्यतः प्रबंधित किया जा सकता है, 400 मिलीसेकंड से अधिक का विलंब सर्जन के प्रदर्शन को काफी खराब कर देता है और कथित सुरक्षा से समझौता करता है। मौजूदा प्रतिवाद, जैसे कि मोशन स्केलिंग (सब-यूनिटी गेन्स), अक्सर समान मापदंडों पर निर्भर करते हैं जो व्यक्तिगत ऑपरेटर परिवर्तनशीलता या कार्य के विशिष्ट संदर्भ (जैसे, गति की दिशा, दूरी और विलंब का परिमाण) को ध्यान में रखने में विफल रहते हैं। वर्तमान साहित्य सुझाव देता है कि विलंब संवेदनशीलता कार्य की ज्यामिति और ऑपरेटर अनुकूलन के आधार पर बदलती है, फिर भी इन विविधताओं को आकार देने वाले कारक अभी भी अल्प-अध्ययित हैं।

कार्यप्रणाली
लेखकों ने एक मानव-केंद्रित, व्यक्तिगत गति क्षतिपूर्ति ढांचे का मूल्यांकन करने के लिए बीस स्वस्थ प्रतिभागियों के साथ दो-सत्र अध्ययन आयोजित किया।

• प्रायोगिक डिज़ाइन:
  • सत्र 1 (SimOnly): प्रतिभागियों ने एक वर्चुअल वातावरण (CoppeliaSim) में एक da Vinci रिसर्च किट (dVRK) डिजिटल ट्विन और एक हैप्टिक इंटरफ़ेस का उपयोग करके टेलीऑपरेटेड रीचिंग टास्क किए। अध्ययन ने चार कारकों के क्रॉसिंग के साथ एक 'विदिन-सब्जेक्ट्स' डिज़ाइन का उपयोग किया: सहायता (व्यक्तिगत बनाम बिना सहायता के), विलंब (100, 250, 400 ms), दूरी (5, 10, 15 mm), और दिशा (पार्श्व, अनुदैर्ध्य, ऊर्ध्वाधर)।
  • सत्र 2 (Sim2Real): प्रतिभागी एक भौतिक dVRK सिस्टम पर संशोधित पेग-ट्रांसफर कार्य करने के लिए वापस आए। इस सत्र ने वास्तविक हार्डवेयर के लिए सिमुलेशन से प्राप्त गेन्स के हस्तांतरण का परीक्षण किया। इसमें अनअसिस्टेड (बिना सहायता), जनरलाइज्ड (जनसंख्या-औसत), और पर्सनलाइज्ड (व्यक्तिगत) सहायता की स्थितियाँ शामिल थीं।
• वैयक्तिकरण रणनीति (Personalization Strategy): मुख्य नवाचार एक विधि है जो प्रत्येक प्रतिभागी के लिए विशिष्ट विलंब ($\delta$), दूरी ($d$), और दिशा ($\theta$) के संयोजन के आधार पर व्यक्तिगत स्केलिंग पैरामीटर ($G$) को फिट करती है। गेन की गणना नो-डिले बेसलाइन में पीक रीच डिस्टेंस और विलंबित स्थिति में पीक रीच डिस्टेंस के अनुपात के रूप में की जाती है, जो प्रभावी रूप से ओवरशूट को कम करने के लिए एक "गेन टेंसर" बनाता है।
• मेट्रिक्स: प्रदर्शन का मूल्यांकन इनिशियल रीचिंग एरर (ओवरशूट/अंडरशूट), एंडपॉइंट एरर, मूवमेंट स्मूथनेस (स्पेक्ट्रल आर्क लेंथ), इकोनॉमी ऑफ मोशन (पाथ स्ट्रेटनेस इंडेक्स), और एक कंबाइंड एरर-टाइम (nCET) मेट्रिक के माध्यम से किया गया। सब्जेक्टिव वर्कलोड को NASA-TLX के माध्यम से मापा गया।
• विश्लेषण: डेटा को नॉर्मलिटी सुनिश्चित करने के लिए बॉक्स-कॉक्स के माध्यम से ट्रांसफॉर्म किया गया था और मुख्य प्रभावों तथा इंटरैक्शन का विश्लेषण करने के लिए लीनियर मिक्स्ड-इफेक्ट्स मॉडल का उपयोग किया गया।

प्रमुख योगदान
यह शोध पत्र तीन प्राथमिक योगदान स्थापित करता है:

1. संदर्भ-निर्भर वैयक्तिकरण: यह प्रदर्शित करता है कि विलंब, दूरी और दिशा के आधार पर अनुकूलित व्यक्तिगत मोशन स्केलिंग, सिमुलेशन में अनअसिस्टेड ट्रायल्स की तुलना में टेलीमैनिप्यूलेशन प्रदर्शन में काफी सुधार करती है, जिसमें वास्तविक हार्डवेयर के लिए हस्तांतरणीय लाभ भी शामिल हैं।
2. समय दंड के बिना सटीकता: व्यक्तिगत स्केलिंग स्थानिक सटीकता (ओवरशूट को कम करके) में सुधार करती है बिना मूवमेंट टाइम में किसी विश्वसनीय वृद्धि के, जिससे स्पीड-एक्यूरेसी ट्रेड-ऑफ में सुधार होता है, हालांकि अधिकांश स्थितियों में एंडपॉइंट एरर के लिए सटीकता लाभ असंगत रहे।
3. सिमुलेशन-टू-रियल ट्रांसफर: यह अध्ययन पुष्टि करता है कि सिमुलेशन डेटा से प्राप्त व्यक्तिगत गेन्स वास्तविक हार्डवेयर पर भौतिक रोबोटिक कार्यों में स्थानांतरित होते हैं, हालांकि सिमुलेशन वातावरण की तुलना में इसमें प्रभावशीलता कम और विशिष्ट मेट्रिक सीमाएं अधिक हैं।

परिणाम

• सिमुलेशन (SimOnly): व्यक्तिगत सहायता ने सभी विलंब, दूरी और दिशाओं में ओवरशूट को लगातार कम किया। हालांकि, एंडपॉइंट एरर के लिए लाभ विलंब के साथ नहीं बढ़ा; इसके बजाय, सहायता विशेष रूप से बिना सहायता के मुकाबले इनवर्ड रीचिंग दिशा (शरीर के मध्य भाग की ओर) में अधिक लाभकारी और सुसंगत थी। लाभ सबसे अधिक लंबे विलंब (400 ms) पर ओवरशूट के लिए देखे गए, जिससे प्रमुख मेट्रिक्स में 20-25% का प्रदर्शन सुधार हुआ। वैयक्तिकरण ने मूवमेंट स्मूथनेस और इकोनॉमी में भी महत्वपूर्ण सुधार किया। उल्लेखनीय रूप से, सटीकता के लाभ दिशा-निर्भर थे, जहाँ आउटवर्ड रीचिंग की तुलना में इनवर्ड रीचिंग (शरीर के मिडलाइन की ओर) में अधिक सुधार देखा गया।
• वास्तविक दुनिया (Sim2Real): भौतिक रोबोट पर व्यक्तिगत गेन्स के हस्तांतरण ने मूवमेंट स्मूथनेस और इकोनॉमी में सुधार की पुष्टि की। हालांकि, सिमुलेशन की तुलना में ये लाभ कम सुसंगत थे। विशेष रूप से, व्यक्तिगत सहायता ने एंडपॉइंट एरर में निरंतर कमी नहीं की और कुछ मामलों में (जैसे, 250 ms विलंब पर), अनअसिस्टेड ट्रायल्स की तुलना में सटीकता को कम कर दिया। इसके अलावा, जबकि व्यक्तिगत सहायता ने सिमुलेशन में इनिशियल रीचिंग एरर में सुधार किया, वास्तविक-विश्व हस्तांतरण में यह लाभ समाप्त हो गया।
• पर्सनलाइज्ड बनाम जनरलाइज्ड: जबकि जनसंख्या-औसत (जेनेरिक) गेन्स ने एक ठोस बेसलाइन प्रदान की, व्यक्तिगत गेन्स ने विशिष्ट संदर्भों में, विशेष रूप से मध्यम विलंब के तहत छोटी दूरी पर इनवर्ड रीचिंग के लिए, विशिष्ट लाभ दिए। Sim2Real सत्र में, व्यक्तिगत सहायता ने जेनेरिक गेन्स की तुलना में सब्जेक्टिव वर्कलोड को काफी कम कर दिया, भले ही अनअसिस्टेड और असिस्टेड ट्रायल्स के बीच समग्र वर्कलोड अंतर नगण्य था।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य अधिक अनुकूलनीय टेलीऑपरेशन फ्रेमवर्क के आधार के रूप में व्यक्तिगत स्केलिंग की क्षमता को उजागर करता है। परिणाम बताते हैं कि विलंब क्षतिपूर्ति को एक स्थिर अंशांकन (static calibration) के रूप में नहीं, बल्कि एक गतिशील, संदर्भ-जागरूक प्रक्रिया के रूप में देखा जाना चाहिए। जनसंख्या-स्तर के इनिशियलाइजेशन को उपयोगकर्ता की स्थिति और कार्य संदर्भ (दिशा और दूरी) के आधार पर अनुकूलन के साथ एकीकृत करके, टेलीऑपरेशन सिस्टम विश्वसनीयता और लचीलापन दोनों प्राप्त कर सकते हैं। पेपर यह निष्कर्ष निकालता है कि जबकि नए उपयोगकर्ताओं के लिए जेनेरिक गेन्स प्रभावी शुरुआती बिंदु हैं, लेकिन जब मानव फीडफॉरवर्ड कंट्रोल की आवश्यकता होती है लेकिन अनिश्चित होता है, तो प्रदर्शन को अनुकूलित करने के लिए वैयक्तिकरण महत्वपूर्ण है, जिसका अंतिम लक्ष्य टेलीऑपरेटेड प्रक्रियाओं की सुरक्षा और सटीकता में सुधार करना है।