Spatiotemporal Context-dependent Personalized Movement Compensation in Delayed Telemanipulation

Sintesi Tecnica: Compensazione del Movimento Personalizzata Spazio-Temporale e Dipendente dal Contesto nella Telemanipolazione con Ritardo

Definizione del Problema
Il ritardo di comunicazione rimane una barriera critica nella teleoperazione chirurgica e robotica, interrompendo la coordinazione visuo-motoria e degradando la precisione del compito. Mentre i ritardi inferiori a 330 ms sono generalmente gestibili, le latenze superiori a 400 ms compromettono significativamente le prestazioni del chirurgo e la sicurezza percepita. Le contromisure esistenti, come la scalatura del movimento (guadagni sub-unità), spesso si affidano a parametri uniformi che non tengono conto della variabilità individuale dell'operatore o dello specifico contesto del compito (ad esempio, direzione del movimento, distanza e entità del ritardo). La letteratura corrente suggerisce che la sensibilità al ritardo cambi in base alla geometria del compito e all'adattamento dell'operatore, tuttavia i fattori che modellano tali variazioni rimangono poco studiati.

Metodologia
Gli autori hanno condotto uno studio in due sessioni con venti partecipanti sani per valutare un framework di compensazione del movimento centrato sull'uomo e personalizzato.

• Disegno Sperimentale:
  • Sessione 1 (SimOnly): I partecipanti hanno eseguito compiti di raggiungimento teleoperati in un ambiente virtuale (CoppeliaSim) utilizzando un gemello digitale di un da Vinci Research Kit (dVRK) e un'interfaccia aptica. Lo studio ha utilizzato un disegno entro i soggetti incrociando quattro fattori: Assistenza (Personalizzata vs. Non assistita), Ritardo (100, 250, 400 ms), Distanza (5, 10, 15 mm) e Direzione (Laterale, Longitudinale, Verticale).
  • Sessiono 2 (Sim2Real): I partecipanti sono tornati per eseguire un compito modificato di trasferimento di un perno su un sistema fisico dVRK. Questa sessione ha testato il trasferimento dei guadagni derivati dalla simulazione all'hardware reale. Includeva condizioni di assistenza Non assistita, Generalizzata (media della popolazione) e Personalizzata.
• Strategia di Personalizzazione: L'innovazione principale è un metodo per adattare i parametri di scalatura personalizzati ($G$) per ogni partecipante basandosi su combinazioni specifiche di ritardo ($\delta$), distanza ($d$) e direzione ($\theta$). Il guadagno è calcolato come il rapporto tra la distanza di raggiungimento di picco in una condizione baseline senza ritardo e quella in una condizione con ritardo, creando efficacemente un "tensore di guadagno" per minimizzare l'overshoot (superamento del bersaglio).
• Metriche: Le prestazioni sono state valutate tramite Errore di Raggiungimento Iniziale (overshoot/undershoot), Errore all'Endpoint, Fluidità del Movimento (Lunghezza dell'Arco Spettrale), Economia del Movimento (Indice di Rettilineità del Percorso) e una metrica Combinata Errore-Tempo (nCET). Il carico di lavoro soggettivo è stato misurato tramite la scala NASA-TLX.
• Analisi: Sono stati utilizzati modelli lineari a effetti misti per analizzare gli effetti principali e le interazioni, con i dati trasformati tramite Box-Cox per garantire la normalità.

Contributi Principali
Il documento stabilisce tre contributi primari:

1. Personalizzazione Dipendente dal Contesto: Dimostra che la scalatura del movimento personalizzata, condizionata da ritardo, distanza e direzione, migliora significativamente le prestazioni di telemanipolazione rispetto alle prove non assistite in simulazione, con benefici trasferibili all'hardware reale per metriche specifiche.
2. Accuratezza senza Penalità Temporale: La scalatura personalizzata migliora l'accuratezza spaziale (riducendo l'overshoot) senza un aumento affidabile del tempo di movimento nella maggior parte delle condizioni, migliorando così il compromesso velocità-accuratezza, sebbene i benefici di accuratezza siano stati inconsistenti per l'errore all'endpoint negli scenari del mondo reale.
3. Trasferimento dalla Simulazione alla Realtà (Sim-to-Real): Lo studio valida il fatto che i guadagni personalizzati derivati dai dati di simulazione si trasferiscono ai compiti di manipolazione nel mondo reale su hardware fisico, sebbene con un'efficacia ridotta e limitazioni specifiche delle metriche rispetto all'ambiente di simulazione.

Risultati

• Simulazione (SimOnly): L'assistenza personalizzata ha ridotto costantemente l'overshoot in tutti i ritardi, le distanze e le direzioni. Tuttavia, il beneficio per l'errore all'endpoint non è aumentato con il ritardo; al contrario, l'assistenza è stata più vantaggiosa e costante specificamente nella direzione di raggiungimento verso l'interno rispetto alla condizione senza assistenza. I benefici sono stati più pronunciati ai ritardi più lunghi (400 ms) per l'overshoot, producendo guadagni di prestazione del 20–25% nelle metriche chiave. La personalizzazione ha anche migliorato significativamente la fluidità del movimento e l'economia. In particolare, i benefici di accuratezza dipendevano dalla direzione, con il raggiungimento verso l'interno (verso la linea mediana del corpo) che mostrava un miglioramento maggiore rispetto al raggiungimento verso l'esterno.
• Mondo Reale (Sim2Real): Il trasferimento dei guadagni personalizzati alla simulazione sul robot fisico ha confermato miglioramenti nella fluidità del movimento e nell'economia. Tuttavia, i benefici sono stati meno consistenti rispetto alla simulazione. Nello specifico, l'assistenza personalizzata non ha prodotto una riduzione costante dell'errore all'endpoint nel compito reale e, in alcuni casi (ad esempio, con ritardo di 250 ms), ha diminuito l'accuratezza rispetto alle prove non assistite. Inoltre, mentre l'assistenza personalizzata ha migliorato l'errore di raggiungimento iniziale in simulazione, questo beneficio è stato eliminato nel trasferimento nel mondo reale.
• Personalizzato vs. Generalizzato: Mentre i guadagni medi della popolazione (generici) fornivano una solida base, i guadagni personalizzati hanno offerto vantaggi distinti in contesti specifici, in particolare per il raggiungimento verso l'interno a brevi distanze sotto ritardo moderato. Nella sessione Sim2Real, l'assistenza personalizzata ha ridotto significativamente il carico di lavoro soggettivo rispetto ai guadagni generici, anche quando le differenze di carico di lavoro complessivo tra le prove assistite e quelle non assistite erano trascurabili.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro evidenzia il potenziale della scalatura personalizzata come base per framework di teleoperazione più adattivi. I risultati suggeriscono che la compensazione del ritardo non debba essere vista come una calibrazione statica, ma come un processo dinamico e consapevole del contesto. Integrando l'inizializzazione a livello di popolazione con il raffinamento adattivo basato sullo stato dell'utente e sul contesto del compito (direzione e distanza), i sistemi di teleoperazione possono raggiungere sia l'affidabilità che la flessibilità. Il documento conclude che, sebbene i guadagni generici siano punti di partenza efficaci per i nuovi utenti, la personalizzazione è cruciale per ottimizzare le prestazioni in scenari in cui il controllo feedforward umano è necessario ma incerto, mirando in ultima analisi a migliorare la sicurezza e la precisione delle procedure teleoperate.