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

Technische Samenvatting: Neurale Minimum-Afstand Schatting voor Collisie-bewuste Operatie van Multi-arm Laparoscopische Chirurgische Robots

Probleemstelling
Minimaal invasieve laparoscopische chirurgie is verbeterd door robotische systemen, die een verbeterde behendigheid, visualisatie en ergonomie bieden. Echter, multi-arm robotische systemen worden geconfronteerd met aanzienlijke veiligheidsuitdagingen met betrekking tot instrumentbotsingen en werkruimtebeperkingen. In beperkte chirurgische omgevingen leidt de coördinatie van meerdere robotarmen vaak tot verminderde manoeuvreerbaarheid en onbedoelde botsingen, wat weefselschade of mechanische interferentie kan veroorzaken. Huidige detectiemethoden voor botsingen vertrouwen vaak op rekenintensieve bewegingsplanningsalgoritmen, gesensorde huiden of virtuele fixtures, die kunnen moeite hebben met dynamische geometrieën, niet-lineaire dynamica of de specifieke beperkingen van het chirurgische draaipunt (fulcrum). Er is behoefte aan een lichtgewicht, nauwkeurig en real-time framework dat in staat is om de minimale afstanden tussen robotarmen te schatten om vroege waarschuwingen voor botsingen te geven zonder de operationele efficiëntie in gevaar te brengen.

Methodologie
De studie stelt een geïntegreerd framework voor dat analytische modellering, real-time simulatie en deep learning combineert om de minimale afstand tussen twee Kinova Gen3 robotarmen te schatten. De aanpak volgt een "Learning-from-Simulation" paradigma:

1. Analytische Modellering: Een geometrisch framework werd ontwikkeld waarbij elke robotarm-link wordt gerepresenteerd als een 1-graads lineaire Bézier-curve (een recht lijnsegment). Gebruikmakend van Denavit-Hartenberg (DH) parameters, worden de posities van de links berekend op basis van gewrichtsconfiguraties. De minimale afstand tussen de twee armen wordt bepaald door analytisch te zoeken naar de minimale afstand tussen paren lijnsegmenten die de links representeren. Dit model dient als een theoretische benchmark.
2. Simulatieomgeving: Een fysica-gebaseerde simulatie werd geconstrueerd in Unity 2022.3.32f1 met behulp van de Unified Robot Description Format (URDF) voor de Kinova Gen3 armen. De omgeving genereerde een dataset van 75.655 willekeurige configuraties door gewrichtshoeken en de relatieve basisposities van de twee robots te variëren. Box colliders werden gebruikt om minimale afstanden tussen link-vertices te berekenen, wat diende als een secundaire validatie van het analytische model.
3. Neuraal Netwerk Architectuur: Een diep residueel multilayer perceptron (MLP) werd getraind om de minimale afstand tussen de armen ($d_{min}$) in real-time te voorspellen.
   • Input: Het netwerk neemt acht geselecteerde gewrichtshoeken (vier van elke arm) als input. Feature selectie via permutatie-belangrijkheidsanalyse bepaalde dat de basis en de eerste schoudergewrichten (J1–J4 en J8–J11) het botsingssignaal domineren, terwijl distale polsgewrichten verwaarloosbare voorspellende informatie bijdroegen. Gewrichtshoeken werden gecodeerd als $[\sin \theta, \cos \theta]$ om de periodieke topologie te behouden, wat resulteerde in een 16-dimensionale inputvector.
   • Architectuur: Het model bestaat uit een lineaire stem die projecteert naar 512 eenheden, gevolgd door acht residuele blokken met skip-verbindingen, en een twee-laagse predictie-head die naar een scalaire output mapt.
   • Training: Het netwerk werd getraind met de AdamW optimizer, Charbonnier loss, en een cosine annealing learning rate schedule. De dataset werd 90/10 gesplitst voor training en validatie.
4. Waarschuwingslogica: Het systeem is ontworpen als een vroege waarschuwingslaag. Een waarschuwing wordt getriggerd wanneer de voorspelde $d_{min}$ onder de 0,2 m valt. Deze drempelwaarde is afgeleid van de Kinova Gen3 geometrie (ca. 75 mm dwarsdoorsnede radius), waarbij een afstand van 0,15 m tussen de centra de oppervlaktecontact impliceert. De drempelwaarde van 0,2 m biedt een veiligheidsmarge van 50 mm voor het teleoperatiesysteem om de beweging te stoppen.

Belangrijkste Bijdragen

1. Analytisch Framework: Ontwikkeling en validatie van een robuust geometrisch framework gebruikmakend van lineaire Bézier-curves om minimale afstanden tussen seriële robotarmen nauwkeurig te voorspellen.
2. Simulatieplatform: Ontwerp en implementatie van een real-time Unity-gebaseerd simulatieplatform voor het visualiseren en valideren van minimale-afstandschattingen over uiteenlopende configuraties.
3. Neuraal Netwerk Implementatie: Training en implementatie van een diep neuraal netwerk dat in staat is tot snelle, real-time voorspelling van minimale inter-arm afstanden, gebruikmakend van een gereduceerde set van acht kritieke gewrichtshoeken.

Resultaten

• Analytisch vs. Experimenteel: Wanneer vergeleken met experimentele metingen van tien fysieke configuraties met een NDI optisch trackingsysteem, vertoonde de analytische benchmark een Mean Absolute Error (MAE) van 73,3 mm. Deze discrepantie wordt toegeschreven aan de vereenvoudigde lijnsegment-representatie van de armen (het negeren van de 75 mm radius) en parameteronzekerheden in het trackingsysteem.
• Prestaties Neuraal Netwerk: Op een onafhankelijke validatieset van 7.382 simulatiesamples bereikte de getrainde residuele MLP:
  • $R^2 = 0,940$
  • RMSE = 42,0 mm
  • MAE = 28,7 mm
  • Gemiddelde bias = 4,0 mm (nabij nul)
  • 95% van de fouten viel binnen $\pm 92,2$ mm.
• Classificatie Prestaties: Wanneer voorspellingen onder de 0,2 m werden behandeld als botsingswaarschuwingen, behaalde het model een recall van 99,3%, precisie van 94,1% en een F1-score van 0,966 op de validatieset.
• Geobserveerde Beperkingen: Het netwerk had de neiging om afstanden te overschatten in het "nabij-contact" regime (experimentele afstanden < 200 mm), wat resulteerde in grote relatieve fouten voor deze specifieke gevallen. Dit wordt toegeschreven aan de klassenimbalans in de trainingsdata, waarbij configuraties nabij een botsing ondervertegenwoordigd waren.

Significantie en Claims
Het artikel claimt dat het combineren van analytische modellering met machine learning een robuuste oplossing biedt voor het waarborgen van veilige robotische operaties. Het framework wordt expliciet gepositioneerd als een vroege botsingswaarschuwingslaag in plaats van een fijne positioneringscontroller. Door een diep neuraal netwerk te benutten, bereikt het systeem real-time inferentiesnelheden die superieur zijn aan de per-configuratie optimalisatie die vereist is voor gesloten vorm analytische oplossingen. De studie toont aan dat een neuraal netwerk getraind op synthetische data effectief kan generaliseren naar ongeziene configuraties, waarbij consistente nauwkeurigheid wordt geboden over de gehele werkruimte. De auteurs benadrukken dat hoewel het huidige model steunt op vereenvoudigde geometrische representaties, het succesvol de basis legt voor veiligheidskritische systemen, waarbij toekomstig werk gericht is op het integreren van oppervlakte-bewuste afstandformuleringen en dynamische restricties om de betrouwbaarheid in het veiligheidskritische nabij-contact regime verder te verbeteren.