Spatiotemporal Context-dependent Personalized Movement Compensation in Delayed Telemanipulation

技術要約：遅延を伴う遠隔操作における時空間コンテキスト依存型のパーソナライズされた運動補償

問題提起
通信遅延は、遠隔操作手術およびロボット工学において、視覚運動の協調を乱し、タスクの精度を低下させる決定的な障壁となっている。330 ms未満の遅延は一般に管理可能であるが、400 msを超えるレイテンシは術者のパフォーマンスを著しく損ない、知覚される安全性を低下させる。モーションスケーリング（1未満のゲイン）などの既存の対策は、個々のオペレーターの変動性や特定のタスク・コンテキスト（例：移動方向、距離、および遅延の大きさ）を考慮できていない一様なパラメータに依存することが多い。既存の文献は、遅延への感受性がタスクの幾何学的形状やオペレーターの適応に基づいて変化することを示唆しているが、これらの変動を形成する要因については十分に研究されていない。

手法
著者らは、人間中心のパーソナライズされた運動補償フレームワークを評価するために、20名の健康な参加者を対象とした2セッションの研究を実施した。

• 実験設計:
  • セッション1 (SimOnly): 参加者は、CoppeliaSimを用いた仮想環境において、da Vinci Research Kit (dVRK) のデジタルツインとハプティックインターフェースを使用し、遠隔操作によるリーチングタスクを行った。本研究では、支援形態（パーソナライズ型 vs 非支援型）、遅延（100, 250, 400 ms）、距離（5, 10, 15 mm）、および方向（横方向、縦方向、垂直方向）を組み合わせた被験者内設計を用いた。
  • セッション2 (Sim2Real): 参加者は、物理的なdVRKシステムを用いた修正されたペグ転送タスクを行うために再度参加した。このセッションでは、シミュレーションから得られたゲインの実機ハードウェアへの転移をテストした。これには、非支援、汎用的（集団平均）、およびパーソナライズされた支援条件が含まれる。
• パーソナライゼーション戦略: コアとなる革新技術は、特定の遅延 ($\delta$)、距離 ($d$)、および方向 ($\theta$) の組み合わせに基づき、各参加者のパーソナライズされたスケーリングパラメータ ($G$) を適合させる手法である。ゲインは、遅延のないベースラインにおけるピークリーチ距離と、遅延がある状態での距離との比として計算され、オーバーシュートを最小限に抑える「ゲインテンソル」を生成する。
• 指標: パフォーマンスは、初期リーチング誤差（オーバーシュート／アンダーシュート）、終点誤差、運動の滑らかさ（スペクトル弧長）、運動の経済性（経路直線性指数）、および複合誤差時間（nCET）指標によって評価された。主観的なワークロードはNASA-TLXを用いて測定された。
• 分析: データの正規性を確保するためにBox-Cox変換を適用した後、線形混合効果モデルを用いて主効果と相互作用を分析した。

主な貢献
本論文は、主に以下の3つの貢献を確立している。

1. コンテキスト依存型のパーソナライゼーション: 遅延、距離、および方向に条件付けられたパーソナライズされたモーションスケーリングが、シミュレーションにおける非支援試行と比較して、遠隔操作のパフォーマンスを大幅に向上させることを示した。また、その恩恵は特定の指標において実機ハードウェアにも転移可能であることを示した。
2. 時間的ペナルティのない正確性: パーソナライズされたスケーリングは、ほとんどの条件下で運動時間の信頼できる増加を伴うことなく、空間的な正確性（オーバーシュートの減少）を向上させ、したがって速度と精度のトレードオフを改善する。
3. シミュレーションから実機への転移: シミュレーションデータから得られたパーソナライズされたゲインが、物理的なハードウェア上での実世界の操作タスクに転移することを検証した。ただし、シミュレーション環境と比較して、その有効性は低下し、特定の指標における制限が存在する。

結果

• シミュレーション (SimOnly): パーソナライズされた支援は、すべての遅延、距離、および方向において、オーバーシュートを一貫して減少させた。しかし、終点誤差に対する恩恵は遅延とともに増加するわけではなく、むしろ支援は非支援と比較して、特に内向きのリーチング方向においてより有益かつ一貫していた。支援の恩恵は、長い遅延（400 ms）においてオーバーシュートに対して最も顕著であり、主要な指標で20〜25%のパフォーマンス向上をもたらした。また、パーソナライゼーションは運動の滑らかさと経済性を大幅に向上させた。特筆すべき点として、正確性の利点は方向依存的であり、体の中央線に向かう内向きのリーチングは、外向きのリーチングよりも大きな改善を示した。
• 実世界 (Sim2Real): パーソナライズされたゲインを物理ロボットに転移させた結果、運動の滑らかさと経済性の向上が確認された。しかし、その恩恵はシミュレーションよりも一貫性に欠けていた。具体的には、パーソナライズされた支援は、実世界のタスクにおいて終点誤差の一貫した減少をもたらさず、場合によっては（250 msの遅延時など）、非支援試行と比較して精度を低下させた。さらに、シミュレーションではパーソナライズされた支援が初期リーチング誤差を改善したが、この恩恵は実世界への転移において消失した。
• パーソナライズ型 vs 汎用的: 集団平均（ジェネリック）なゲインは堅実なベースラインを提供したが、パーソナライズされたゲインは、特に中程度の遅延かつ短距離の内向きリーチングといった特定のコンテキストにおいて、明確な優位性を示した。Sim2Realセッションにおいて、パーソナライズされた支援は、全体的なワークロードの差が非支援試行と比較して無視できる程度であったとしても、ジェネリックなゲインと比較して主観的なワークロードを有意に軽減した。

意義と主張
著者らは、本研究が、より適応的な遠隔操作フレームワークの基礎としてのパーソナライズドスケーリングの可能性を浮き彫りにしていると主張している。結果は、遅延補償を静的なキャリブレーションとしてではなく、動的かつコンテキストを認識したプロセスとして捉えるべきであることを示唆している。集団レベルの初期化と、ユーザーの状態およびタスク・コンテキスト（方向と距離）に基づく適応的な洗練を統合することで、遠隔操作システムは信頼性と柔軟性の両方を達成できる。本論文は、ジェネリックなゲインは新規ユーザーにとって効果的な出発点であるが、人間のフィードフォワード制御が必要だが不確実なシナリオにおいてパフォーマンスを最適化するためには、パーソナライゼーションが不可欠であることを結論付けており、最終的には遠隔操作手順の安全性と精度を向上させることを目的としている。