Neural Minimum-Distance Estimation for Collision-Aware Operation of Multi-Arm Laparoscopy Surgical Robots Through Learning-from-Simulation

Sintesi Tecnica: Stima della Distanza Minima Neurale per l'Operatività Consapevole delle Collisioni in Robot Chirurgici Laparoscopici Multi-Braccio

Definizione del Probleamento
La chirurgia laparoscopica mininvasiva è stata potenziata dai sistemi robotici, che offrono una migliore destrezza, visualizzazione ed ergonomia. Tuttavia, i sistemi robotici multi-braccio affrontano sfide significative di sicurezza riguardanti le collisioni tra strumenti e i vincoli dello spazio di lavoro. In ambienti chirurgici ristretti, la coordinazione di più bracci robotici porta spesso a una riduzione della manovrabilità e a collisioni involontarie, che possono causare danni ai tessuti o interferenze meccaniche. Gli attuali metodi di rilevamento delle collisioni si affidano spesso ad algoritmi di pianificazione del movimento computazionalmente intensivi, "pelli" sensorizzate o costrizioni virtuali, che possono avere difficoltà con geometrie dinamiche, dinamiche non lineari o i vincoli specifici del fulcro chirurgico. È necessario un framework leggero, accurato e in tempo reale capace di stimare le distanze minime tra i bracci robotici per fornire avvisi precoci di collisione senza compromettere l'efficienza operativa.

Metodologia
Lo studio propone un framework integrato che combina modellazione analitica, simulazione in tempo reale e deep learning per stimare la distanza minima tra due bracci robotici Kinova Gen3 a 7 DOF. L'approccio segue un paradigma di "Apprendimento dalla Simulazione" (Learning-from-Simulation):

1. Modellazione Analitica: È stato sviluppato un framework geometrico in cui ogni link del braccio robotico è rappresentato come una curva di Bézier lineare di 1° grado (un segmento di linea retta). Utilizzando i parametri di Denavit-Hartenberg (DH), le posizioni dei link vengono calcolate in base alle configurazioni dei giunti. La distanza minima tra i due bracci è determinata risolvendo analiticamente la distanza minima tra coppie di segmenti di linea che rappresentano i link. Questo modello funge da benchmark teorico.
2. Ambiente di Simulazione: Un ambiente di simulazione basato sulla fisica è stato costruito in Unity 2022.3.32f1 utilizzando il formato URDF (Unified Robot Description Format) per i bracci Kinova Gen3. L'ambiente ha generato un dataset di 75.655 configurazioni casuali variando gli angoli dei giunti e le posizioni relative delle basi dei due robot. Sono stati utilizzati collider a scatola (box colliders) per calcolare le distanze minime tra i vertici dei link, fornendo una validazione secondaria del modello analitico.
3. Architettura della Rete Neurale: Una rete neurale deep residual multilayer perceptron (MLP) è stata addestrata per prevedere la distanza minima inter-braccio ($d_{min}$) in tempo reale.
   • Input: La rete riceve in input otto angoli di giunto selezionati (quattro per ogni braccio). La selezione delle caratteristiche tramite analisi dell'importanza della permutazione ha determinato che la base e i primi giunti della spalla (J1–J4 e J8–J11) dominano il segnale di collisione, mentre i giunti distali del polso forniscono informazioni predittive trascurabili. Gli angoli dei giunti sono stati codificati come $[\sin \theta, \cos \theta]$ per preservare la topologia periodica, risultando in un vettore di input a 16 dimensioni.
   • Architettura: Il modello consiste in uno stelo lineare che proietta a 512 unità, seguito da otto blocchi residuali con connessioni skip e un modulo di predizione a due strati che mappa verso un output scalare.
   • Addestramento: La rete è stata addestrata utilizzando l'ottimizzatore AdamW, la perdita Charbonier e un programma di apprendimento a annealing del coseno (cosine annealing learning rate schedule). Il dataset è stato diviso al 90/10 per addestramento e validazione.
4. Logica di Avviso: Il sistema è progettato come uno strato di avviso precoce. Un avviso viene attivato quando la $d_{min}$ predetta scende sotto lo 0,2 m. Questa soglia è derivata dalla geometria del Kinova Gen3 (raggio trasversale di circa 75 mm), dove una distanza centro-centro di 0,15 m implica il contatto superficiale. La soglia di 0,2 m fornisce un margine di sicurezza di 50 mm per il sistema di teleoperazione per arrestare il movimento.

Contributi Chiave

1. Framework Analitico: Sviluppo e validazione di un robusto framework geometrico utilizzando curve di Bézier lineari per prevedere accuratamente le distanze minime tra bracci robotici seriali.
2. Piattaforma di Simulazione: Progettazione e implementazione di una piattaforma di simulazione in tempo reale basata su Unity per la visualizzazione e la validazione della stima della distanza minima attraverso diverse configurazioni.
3. Deployment della Rete Neurale: Addestramento e implementazione di una rete neurale profonda capace di una predizione rapida e in tempo reale delle distanze minime inter-braccio, utilizzando un set ridotto di otto angoli di giunto critici.

Risultati

• Analitico vs. Sperimentale: Confrontato con le misurazioni sperimentali da dieci configurazioni fisiche utilizzando un sistema di tracciamento ottico NDI, il benchmark analitico ha mostrato un Errore Assoluto Medio (MAE) di 73,3 mm. Questa discrepanza è attribuita alla rappresentazione semplificata dei bracci come segmenti di linea (ignorando il raggio di 75 mm) e alle incertezze dei parametri nel sistema di tracciamento.
• Prestazioni della Rete Neurale: Su un set di validazione non utilizzato di 7.382 campioni di simulazione, il MLP residuale addestrato ha ottenuto:
  • $R^2 = 0,940$
  • RMSE = 42,0 mm
  • MAE = 28,7 mm
  • Bias medio = 4,0 mm (vicino allo zero)
  • Il 95% degli errori rientrava nell'intervallo $\pm 92,2$ mm.
• Prestazioni di Classificazione: Trattando le predizioni inferiori a 0,2 m come avvisi di collisione, il modello ha ottenuto un recall del 99,3%, una precisione del 94,1% e un F1-score di 0,966 sul set di validazione.
• Limitazioni Osservate: La rete tende a sovrastimare le distanze nel regime di "quasi-contatto" (distanze sperimentali < 200 mm), risultando in errori relativi elevati per questi casi specifici. Ciò è attribuito allo sbilanciamento delle classi nei dati di addestramento, dove le configurazioni di quasi-collisione erano sottorappresentate.

Significato e Rivendicazioni
L'articolo sostiene che la combinazione di modellazione analitica e machine learning offra una soluzione robusta per garantire operazioni robotiche sicure. Il framework è esplicitamente posizionato come uno strato di avviso precoce di collisione piuttosto che un controllore di posizionamento fine. Sfruttando una rete neurale profonda, il sistema raggiunge velocità di inferenza in tempo reale superiori rispetto alla soluzione di ottimizzazione per singola configurazione richiesta dalle soluzioni a forma chiusa. Lo studio dimostra che una rete neurale addestrata su dati sintetici può generalizzare efficacemente su configurazioni non viste, fornendo un'accuratezza costante in tutto lo spazio di lavoro. Gli autori sottolineano che, sebbene l'attuale modello si basi su rappresentazioni geometriche semplificate, esso stabilisce con successo le fondamenta per sistemi critici per la sicurezza, con lavori futuri diretti verso l'integrazione di formulazioni di distanza sensibili alle superfici e vincoli dinamici per migliorare ulteriormente l'affidabilità nel regime critico di quasi-contatto.