Learning-based Force Sensing and Impedance Matching for Safe Haptic Feedback in Robot-assisted Laparoscopic Surgery

技術要約：ロボット支援下腹腔鏡手術における安全な触覚フィードバックのための学習ベースの力センシングおよびインピーダンス・マッチング

問題提起
ロボット支援下低侵襲手術（RAMIS）において、正確な触覚フィードバックを統合することは、精密な力のレンダリングとテレオペレーション中のシステム安定性の確保という観点から、依然として重大な課題となっている。触覚フィードバックは手術の精度を高め、組織への損傷を軽減し、タスクの一貫性を向上させることができるが、多くの商用システム（例：da Vinci）は、オペレーターへの連続的な力のリフレクション（反映）機能を欠いている。既存のソリューションにはトレードオフが存在する。器具一体型のセンサーは高い忠実度を提供するが、滅菌の問題や複雑さに悩まされる。一方、センサーレスまたはビジョンベースの手法は、膨大な学習データを必要とするか、物理的な正確性に欠けることが多い。さらに、線形インピーダンス・マッチング・アプローチ（IMA）は、安定してはいるものの、ツールと組織の相互作用における非線形ダイナミクスを捉えることができず、「ハプティック・キックバック（触覚の跳ね返り）」と呼ばれる、ハンドルを離した際にオペレーターが感じる望ましくない挙動（ジャーク）を引き起こし、安全性と快適性を損なう。

手法
著者らは、複雑なツールと組織の相互作用をリアルタイムでモデル化するために、従来の線形IMAフレームワークを拡張し、非線形ダイナミクスを組み込んだ**非線形インピーダンス・マッチング・アプローチ（NIMA）**を提案している。実験セットアップには、デュアルロボットシステム（Kinova Gen3アーム）とカスタム手術コンソール（Omega.7触覚コントローラー搭載）を使用している。本手法は、以下の3つの主要な技術的コンポーネントで構成されている。

1. 座標キャリブレーションおよびセンサーのアライメント： 正確な力のマッピングを確実にするため、著者らは2つの力センサー（一方はロボットのエンドエフェクタに装着された$S_1$、もう一方は組織サロゲートに装着された$S_2$）の座標系を一致させる手順を開発した。オイラー角と回転行列に基づく最適化問題を用いて、$S_2$のデータを$S_1$のフレームへと変換し、センサー間で高い相関（$R^2 = 0.95$）を実現した。
2. ニューラルネットワークによる力抽出： ラパロスコピック・ロボティクスにおける大きな課題は、リモートセンター・オブ・モーション（RCM）で発生する摩擦力から、真のツールと組織の相互作用力を分離することである。著者らは、摩擦によるアーティファクトを推定して差し引くために、完全結合フィードフォワードニューラルネットワーク（NN）を訓練した。このNNは、ロボットアームの力、方位（クォータニオン）、および運動パラメータを入力として受け取り、純粋なツール先端の力を予測する。このプロセスは、「非接触」実験を用いて、ノイズや摩擦バイアスを導入することなく、モデルがノイズや摩擦を抑制できることを検証することで検証された。
3. 非線形インピーダンス・モデリング（NIMA）： コアとなるレンダリング・アルゴリズムは、接触力 $f$ を運動コマンド $X$ に対する応答として、非線形インピーダンス・ハイパーサーフェス $f = MX$を通じてモデル化する。インピーダンス・パラメータ行列$M$ は、ローリング・タイムウィンドウ（300 ms）と疑似逆行列計算を用いてリアルタイムで更新される。システムは、再構成誤差を最小化するために、各タイムウィンドウに対して最適な多項式の次数（$N=1$ から $5$）を動的に選択する。極めて重要な点として、本モデルには速度閾値（1 mm/s）が含まれている。この閾値を下回る場合、レンダリングされる力はゼロとなり、キックバックを防止する。

主な貢献
本論文は、主に5つの貢献を提示している。

• NNベースの力分離： RCMにおける摩擦成分を分離することで、真の器具と組織の相互作用力を抽出する新しい手法を提供し、近位センサーを用いた遠位力の推定を可能にした。
• 座標キャリブレーション： データの整合性を確保するために、複数のセンサーフレーム（ロボット装着型および組織装着型）間で力データを変換するための厳密な手順を確立した。
• 拡張NIMAフレームワーク： 線形IMA（MAEが0.2 N）を大幅に上回る精度を実現する、適応型の非線形インピーダンス・モデル。
• 包括的な検証： 座標キャリブレーション、NNベースの力分離、およびNIMAによる力再構成を検証する、3段階の実験プロトコル。
• ハプティック・キックバックの排除： ハンドルを離した際や低速で移動させた際に、ユーザーに力が加わらないようにする適応型非線形モデリング戦略により、オペレーターの安全性向上を実現した。

結果
提案されたフレームワークは、腹腔鏡タスク（例：ペグ転送）をシミュレートした制御実験を通じて検証された。

• 座標キャリブレーション： センサーフレーム間の変換により、X、Y、Z軸それぞれで0.11 N、0.09 N、0.13 Nの平均絶対誤差（MAE）が得られ、線形相関 $R^2 = 0.95$ を示した。
• 力分離： NNモデルは、RCMの摩擦からツール先端の力を正常に分離した。測定された力と予測された力の間のMAEは、X軸で0.19 N、Y軸で0.16 N、Z軸で0.16 Nであった。非接触テストにおいて、モデルはほぼゼロに近い力（平均0.02 N）を予測し、ノイズと摩擦の抑制が効果的であることを確認した。
• 力のレンダリング： NIMAフレームワークは、最終的な力のレンダリングにおいて 0.01 ± 0.02 N のMAEを達成した。これは、以前に検証された線形IMA（MAE 0.2 N）と比較して、95%の精度向上を意味する。
• 安定性と安全性： 本システムはハプティック・キックバックの排除に成功した。オペレーターがハンドルを離すと、システムはゼロの力をレンダリングし、デバイスが静止した状態を維持した。アルゴリズムは64%以上のタイムウィンドウで非線形適合を選択しており、動的なツールと組織の相互作用を捉えるための非線形モデリングの必要性が示された。

意義および主張
著者らは、NIMAが安定した高忠実度かつ安全な触覚フィードバックを提供することで、RAMISにおける人間の器用さとロボットの精密さの間の決定的なギャップを埋めるものであると主張している。ハプティック・キックバックを排除し、非線形な組織ダイナミクスを正確にモデル化することで、本システムはオペレーターの快適性と安全性を高め、テレオペレーションのリアリズムを向上させる。本研究は、非線形インピーダンス・マッチングが、軟部組織の複雑で変動する剛性を捉える上で線形アプローチよりも優れていることを示唆している。著者らは、NIMAを次世代の外科手術ロボットにおける感覚的ギャップを埋めるための、侵襲的な器具の再設計を必要としない実現可能なステップとして位置づけている。本研究は、現在の焦点は「力」にあるものの、将来的な反復においては、多様な手術環境にさらに適応するために、トルク・フィードバックや物理情報に基づいたニューラルネットワーク（Physics-Informed Neural Networks）を組み込む可能性があることを強調している。