An Open-Source Robotics Research Platform for Autonomous Laparoscopic Surgery

기술 요약: 자율 복강경 수술을 위한 오픈소스 로봇 연구 플랫폼

문제 제기
자율 수술 알고리즘을 임상 실습으로 전환하는 작업은 현재 접근 가능하고 표준화되며 고품질의 하드웨어 플랫폼 부재로 인해 방해받고 있습니다. da Vinci 수술 시스템이 임상 실무를 지배하고 있지만, 그 독점적인 소프트웨어 아키텍처는 자율 정책을 훈련하는 데 필요한 저수준 제어 접근을 제한합니다. 결과적으로 연구는 노후화된 케이블 구동 메커니즘을 사용하는 da Vinci 연구 키트 (dVRK) 와 Raven-II 에 의존해 왔습니다. 이러한 시스템은 고유한 기계적 유연성, 백래시, 히스테리시스로 인해 운동학적 불확실성을 초래하여 상태 공간 일관성을 저하시키고 신뢰할 수 있는 자율 정책 훈련을 방해합니다. 또한, 기존 플랫폼은 종종 고품질 자동화에 필요한 강성을 갖추지 못하거나 수술적 제약을 강제하기 위해 반복적 최적화 방법에 의존하는데, 이는 불연속성을 도입하고 휴리스틱 조정을 요구할 수 있습니다.

방법론
저자들은 UR5e 와 Franka Emika Panda 와 같은 산업용 협동 로봇을 활용하여 이러한 한계를 극복하도록 설계된 풀스택 오픈소스 로봇 연구 플랫폼을 제시하며, 이는 새로운 로봇-중립적 아키텍처를 통해 제어됩니다.

• 해석적 RCM 제어기: 핵심 기여는 트로카르 제약을 결정론적으로 강제하는 원격 운동 중심 (RCM) 제어기입니다. 2 차 계획법 (Quadratic Programming) 과 같은 최적화 기반 솔버나 반복적 방법과 달리, 이 시스템은 폐쇄형 해석적 속도 솔버를 사용합니다. 벡터 대수를 통해 필요한 엔드 이펙터 트위스트를 유도함으로써, 제어기는 반복적 최적화 없이 RCM 제약을 강제하여 모방 학습에 필수적인 부드러운 속도 프로파일을 보장합니다. 시스템은 두 가지 입력 파라미터화를 지원합니다:
  1. 카르테시안 팁 속도 제어: 팁 이동 및 샤프트 롤의 직접 제어.
  2. 구면 좌표 제어: 피치, 요, 롤 및 삽입 깊이의 직접 제어로, 수술 자유도에 부합합니다.
• 풀스택 ROS 아키텍처: 이 플랫폼은 모듈성을 보장하기 위해 로봇 운영 체제 (ROS) 를 기반으로 구축되었습니다. 원격 조작, 데이터 기록, 정책 배포를 분리합니다.
  • 원격 조작: 운영자는 Lambda.7 과 같은 햅틱 장치나 조이스틱을 사용하며, Meta Quest 헤드셋 또는 3D 모니터를 통해 입체 3D 시각화가 제공됩니다.
  • 데이터 수집: 원시 센서 데이터와 압축 비디오 스트림이 정책 학습에 적합한 구조화된 데이터셋으로 기록됩니다.
  • 정책 배포: ZMQ 기반 서버 - 클라이언트 아키텍처가 추론 로직을 ROS 환경에서 분리합니다. 중간 모델 서버는 관측 데이터를 집계하고 안전 제어기를 통해 행동을 검증한 후 로봇에 명령을 전달하여, 인프라 변경 없이 시뮬레이션, 팬텀, 생체 외 (ex vivo), 생체 내 (in vivo) 환경 전반에 걸쳐 정책을 배포할 수 있게 합니다.
• 3D 인지: 시스템은 보조 로봇 암에 장착된 TIPCAM1 S 3D 입체 내시경을 통합하여 시야 각도와 관계없이 깊이 인식과 직관적인 외과의사의 명령을 가능하게 합니다.
• 운동 프로파일링: 부드러운 궤적을 보장하기 위해 시스템은 사용자가 정의한 저크 및 가속도 한계를 준수하면서 연속적인 위치, 속도, 가속도 프로파일을 생성하는 5 차 다항식 속도 프로파일러를 사용합니다.

주요 기여

1. 오픈소스 RCM 제어기: 해석적 솔버를 기반으로 한 로봇-중립적 제어기로, 카르테시안 속도를 통해 운동학적 제약을 강제하여 반복적 최적화의 필요성을 없애고 결정론적 실행을 보장합니다.
2. 풀스택 소프트웨어 아키텍처: 원격 조작, 시연 기록, 그리고 분리된 서버 - 클라이언트 모델을 통한 딥러닝 자율 정책 배포를 지원하는 모듈형 ROS 기반 프레임워크.
3. 종합적 실험적 검증: 팬텀, 생체 외, 생체 내 돼지 복강경 수술 전반에 걸친 광범위한 테스트로, 특히 장 잡기 및 견인 작업에 중점을 두었습니다.

결과
이 플랫폼은 세 가지 실험 조건에 걸친 정량적 지표를 통해 검증되었습니다.

• RCM 제약 준수: 시스템은 모든 조건에서 밀리미터 미만의 RCM 편차를 유지했습니다. 평균 편차는 팬텀에서 약 0.035mm, 생체 외에서 0.052mm, 생체 내에서 0.079mm 였습니다. 생체 내 편차의 slight 증가는 트로카르 삽입 부위의 조직 유연성과 압력 힘에 기인합니다.
• 궤적 부드러움: 스펙트럼 호 길이 (SPARC) 및 로그 차원 없는 저크 (LDLJ) 지표를 사용하여, 이 플랫폼은 da Vinci 시스템에 기록된 JIGSAWS 벤치마크의 전문가 시연과 비교 가능한 궤적 부드러움을 보여주었습니다. 생체 내 시험은 조직 상호작용 힘으로 인해 부드러움이 다소 감소했으나, 지수는 확립된 수술 로봇 시스템 (예: SPARC ≈ -4-5, LDLJ ≈ -22-27) 에서 기대되는 범위 내에 있었습니다.
• 정책 학습: 수집된 데이터셋에서 모방 학습을 통해 훈련된 정책은 장 잡기 작업에서 85% 의 성공률 (20 회 실행 중 17 회) 을 달성하여 고품질 훈련 데이터 생성을 위한 플랫폼의 적합성을 입증했습니다.

의의
이 논문은 이 플랫폼이 현실적인 수술 시나리오에서 원격 조작, 데이터 수집, 그리고 자율 정책 배포에 필요한 정밀도와 견고성을 제공한다고 주장합니다. 케이블 구동 시스템을 강성이 있는 산업용 매니퓰레이터로 대체하고 결정론적 해석적 제어기를 활용함으로써, 이 플랫폼은 이전까지 수술 자동화 연구의 충실도를 제한해 온 기계적 노이즈와 운동학적 불확실성을 해결합니다. 저자들은 수술 제약을 존중하도록 효과적으로 제어될 때 산업용 로봇이 차세대 전이성 수술 자율성 연구에 필요한 기반을 제공할 수 있다고 결론지었습니다. 저자들이 제시한 향후 작업에는 햅틱 피드백 및 힘 인지 정책 학습을 위한 6 축 힘 센서 통합, 그리고 교차 시나리오 일반화가 필요한 수술 기초 모델 평가가 포함됩니다.