Modeling and Control of a Pneumatic Soft Robotic Catheter Using Neural Koopman Operators

Dit artikel presenteert een end-to-end leerframework met neurale Koopman-operatoren voor het nauwkeurig modelleren en besturen van pneumatische zachte robotkatheters, wat leidt tot verbeterde positioneringsnauwkeurigheid en de mogelijkheid om doelposities te bereiken zonder continue beeldvorming, wat de stralingsblootstelling tijdens hartablatieprocedures vermindert.

De kern

Stel je voor dat je een zeer zachte, flexibele slang hebt die je door een ingewikkeld labyrint van bloedvaten moet sturen om een hartkwaal te genezen. Dit is wat artsen doen met een katheter. Maar het is heel moeilijk om die zachte slang precies te sturen; hij buigt, draait en reageert onvoorspelbaar op de lucht die erin wordt geblazen.

Dit onderzoek presenteert een slimme nieuwe manier om zo'n robotische katheter te besturen, zodat artsen minder straling hoeven te gebruiken en de operatie veiliger wordt. Hier is de uitleg, vertaald naar alledaagse taal:

1. Het Probleem: De "Onvoorspelbare Slang"

Normaal gesproken proberen ingenieurs wiskundige formules te bedenken om te voorspellen hoe de katheter beweegt. Dat is alsof je probeert te voorspellen hoe een stuk deeg zich gedraagt als je erop duwt. Omdat de katheter van zacht materiaal is en met luchtdruk werkt, is dit extreem moeilijk. De oude formules zijn vaak te simpel en werken niet goed in de praktijk.

Daarnaast is het voor artsen gevaarlijk om constant röntgenfoto's te maken om te zien waar de katheter is (dat kost straling). Ze willen dus een systeem dat de katheter zonder constante foto's precies naar het juiste punt kan sturen. Dat vereist een systeem dat de toekomst perfect kan voorspellen.

2. De Oplossing: De "Magische Vertaalmachine" (Neural Koopman)

De onderzoekers hebben een nieuwe techniek bedacht die ze een Neural Koopman Operator noemen. Laten we dit uitleggen met een analogie:

Stel je voor dat de beweging van de katheter een chaotisch gesprek is in een vreemde taal.

• De oude methode: Probeer de vreemde taal woord voor woord te vertalen met een woordenboek. Dat werkt niet goed omdat de zinnen te ingewikkeld zijn.
• De nieuwe methode (Koopman): Je gebruikt een slimme AI-vertaler die het hele gesprek eerst omzet in een heel simpel, lineair verhaal (bijvoorbeeld: "ga rechtdoor", "draai links"). In die simpele wereld is het heel makkelijk om te voorspellen wat er als volgt gebeurt.

De "Neural" (neuronale) kant betekent dat de computer zelf leert hoe hij die vertaling moet maken. Hij hoeft niet vooraf te weten welke regels hij moet gebruiken; hij leert ze gewoon door duizenden keren te oefenen met de katheter.

3. Hoe het Werkt: De "Voorspelende Chauffeur"

Het systeem werkt in drie stappen:

1. Leren: De robot oefent door lucht in de katheter te blazen en te kijken wat er gebeurt. De AI leert hieruit een "geheime code" (de lift-ruimte) waarin de bewegingen simpel en voorspelbaar zijn.
2. Plannen: De computer gebruikt deze code om een route te plannen. Het is alsof een chauffeur die weet: "Als ik nu 2 seconden gas geef, kom ik over 10 seconden precies bij dat stoplicht."
3. Sturen: De computer stuurt de katheter naar het doel zonder dat er tussendoor gekeken wordt (open-loop). Omdat het voorspellingsmodel zo goed is, hoeft de robot niet constant te corrigeren.

4. De Resultaten: Preciezer en Sneller

De onderzoekers hebben dit getest in een laboratorium met een model van een hartkamer. Ze lieten de robot naar verschillende doelen varen en vergeleken hun nieuwe methode met de oude methoden.

• De winnaar: Hun nieuwe "Neural Koopman" methode was de beste. De katheter kwam gemiddeld binnen 2 millimeter van het doel (dat is ongeveer de dikte van een potlood).
• De verliezers: De oude methoden misten vaak met 4 tot 8 millimeter of meer.
• Snelheid: De nieuwe methode was ook sneller. De robot had minder tijd nodig om bij het doel te komen, wat betekent dat de patiënt minder lang onder straling hoeft te liggen.

Waarom is dit belangrijk?

Dit onderzoek is een grote stap voorwaarts voor de medische wereld. Het betekent dat we in de toekomst robotkatheters kunnen hebben die:

• Zelfstandig hun weg vinden door kromme bloedvaten.
• Veiliger zijn voor patiënten omdat er minder röntgenstraling nodig is.
• Betrouwbaarder werken, zelfs als het materiaal van de katheter niet perfect is.

Kortom: Ze hebben een slimme "vertaler" gevonden die de chaotische bewegingen van een zachte robot omzet in een simpel plan, zodat artsen hun werk makkelijker en veiliger kunnen doen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Modeling and Control of a Pneumatic Soft Robotic Catheter Using Neural Koopman Operators", geschreven in het Nederlands.

Titel: Modellering en Besturing van een Pneumatische Zachte Robotische Katheter met Behulp van Neuronale Koopman-operatoren

1. Probleemstelling

Katheter-gebaseerde ingrepen, zoals die voor het behandelen van atriumfibrillatie, vereisen een uiterst precieze navigatie door kronkelige en fragiele bloedvaten. Hoewel robotische systemen de precisie en stabiliteit kunnen verbeteren, blijft de modellering en besturing van pneumatische zachte robotische katheters (PSRCs) een grote uitdaging vanwege hun complexe, niet-lineaire dynamica.

De belangrijkste beperkingen in de huidige praktijk zijn:

• Modellering: Traditionele modelgebaseerde benaderingen (zoals het Piecewise Constant Curvature of PCC-model) maken te sterke geometrische aannames die niet generaliseren naar pneumatische systemen. Fysica-gebaseerde modellen (zoals Cosserat-staven) zijn gevoelig voor fabricage-onnauwkeurigheden, en eindige-elementenmethoden (FEM) zijn te rekenintensief voor realtime besturing.
• Besturing en Sensing: In klinische situaties is continue beeldvorming (fluoroscopie) ongewenst vanwege stralingsblootstelling. Dit vereist open-loop besturingsstrategieën waarbij de katheter betrouwbaar een doel bereikt zonder continue feedback. Het inbouwen van dichte sensoren in zachte katheters is echter technisch moeilijk.
• Bestaande Data-gedreven Methoden: Bestaande methoden die de Koopman-operator gebruiken, liftten de systeemdata vaak naar een lineaire ruimte met handmatig gekozen basisfuncties. Dit oversimplificeert vaak het gedrag en leidt tot slechte besturingsprestaties. Pure neurale netwerken missen vaak de gestructureerde lineariteit die nodig is voor efficiënte voorspelling en besturing.

2. Methodologie

De auteurs stellen een nieuw raamwerk voor dat Neuronale Koopman-operatoren (Neural Koopman Operators) combineert met Model Predictive Control (MPC).

• Neuronale Koopman-operator Framework:
  • Het doel is om de niet-lineaire dynamica van het systeem te "liftten" naar een hogere-dimensionale lineaire ruimte, waar de evolutie lineair kan worden gemodelleerd.
  • In tegenstelling tot traditionele methoden die handmatige basisfuncties gebruiken, leert dit framework de lift-ruimte representatie en de Koopman-operator gezamenlijk via een end-to-end neuraal netwerk.
  • Het systeem bestaat uit:
    1. Encoders: Een netwerkschakeling die de oorspronkelijke toestand ($x_k$) en de invoer ($u_k$) codeert naar de lift-ruimte. Er worden twee varianten getest:
       • NINK (Nonlinear Input Neural Koopman): Codeert zowel toestand als invoer niet-lineair.
       • LINK (Linear Input Neural Koopman): Codeert de toestand niet-lineair, maar behandelt de invoer lineair.
    2. Koopman Operator: Een lineaire matrix ($A$ en $B$) die de evolutie in de lift-ruimte voorspelt.
    3. Decoders: Netwerken die de voorspelde toestand in de lift-ruimte terugprojecteren naar de fysieke ruimte.
• Besturingsstrategie (MPC):
  • De besturing wordt uitgevoerd via Model Predictive Control (MPC) in de lift-ruimte. Omdat de dynamica daar lineair is, kan de optimale besturingsserie efficiënt worden berekend.
  • De berekende besturingssignalen in de lift-ruimte worden via de decoder teruggezet naar de fysieke drukwaarden voor de pneumatische actuators.
  • Het systeem werkt volledig open-loop tijdens de uitvoering, wat essentieel is voor situaties met beperkte beeldvorming.

3. Belangrijkste Bijdragen

1. Geïntegreerd Data-gedreven Raamwerk: Een nieuwe architectuur die de theorie van de Koopman-operator combineert met neurale netwerken, waardoor een lineaire structuur in de lift-ruimte behouden blijft terwijl complexe niet-lineaire PSRC-gedragingen worden vastgelegd.
2. Open-loop Besturing: De integratie van dit framework met MPC om nauwkeurige open-loop besturing te realiseren, wat cruciaal is voor klinische toepassingen waar continue feedback ontbreekt.
3. Uitgebreide Validatie: Een uitgebreide evaluatie van zowel modellering als besturingsprestaties in twee scenario's: interactieve positiebesturing en een gesimuleerde atrium-ablatie (met een 3D-geprint atrium-model).

4. Experimentele Resultaten

De methode werd getest op een dubbel-segment zachte robotische katheter met twee pneumatische kanalen. Er werden vier methoden vergeleken:

• NNKM: NINK + MPC (voorgestelde methode).
• LNKM: LINK + MPC.
• MBKM: Monomiale basis Koopman + MPC (traditionele methode).
• SSM: Lineaire state-space model + MPC.
• PCC: Traditionele modelgebaseerde Jacobiaan-besturing (als baseline).

Kernresultaten:

• Modellering: Het NINK-model (NNKM) behaalde de beste voorspellingnauwkeurigheid met de laagste RMSE (Root Mean Square Error) en de hoogste nauwkeurigheid binnen een drempelwaarde, vooral voor de X-positie die moeilijk te voorspellen is.
• Interactieve Positiebesturing (Exp. 1):
  • NNKM bereikte alle doelen met een gemiddelde fout van 0,7 mm (STD 0,4 mm) en 100% succes binnen de nauwkeurigheidsdrempels.
  • Andere methoden (MBKM, SSM) faalden vaak of toonden grote oscillaties.
• Pose-besturing in Atrium-model (Exp. 2 - Klinisch scenario):
  • NNKM behaalde een gemiddelde positiefout van 2,1 ± 0,4 mm en een oriëntatiefout van 4,9 ± 0,6°.
  • Dit is significant beter dan de PCC-baseline (5,0 mm fout) en de andere Koopman-varianten.
  • Efficiëntie: NNKM was de snelste methode, met een reistijd die 5% korter was dan PCC en tot 29% korter dan SSM.

5. Betekenis en Toekomstperspectief

Dit onderzoek toont aan dat het combineren van neurale netwerken met de Koopman-operator een krachtige oplossing biedt voor het modelleren en besturen van zachte robots, waar traditionele lineaire of handmatig ontworpen niet-lineaire modellen tekortschieten.

• Klinische Impact: De mogelijkheid om nauwkeurig open-loop te besturen zonder continue fluoroscopie kan de stralingsblootstelling voor patiënten en artsen aanzienlijk verminderen tijdens hartprocedures.
• Robuustheid: Het framework is robuust tegen fabricage-onnauwkeurigheden en niet-lineaire materialen, wat het geschikt maakt voor de variabiliteit in medische apparatuur.
• Toekomstig Werk: De auteurs plannen om de generaliseerbaarheid van het model over verschillende katheterontwerpen te testen, het framework uit te breiden naar volledige vormmodellering (shape modeling) en krachtschattingen van katheter-weefsel interacties te integreren voor nog veiligere navigatie.

Kortom, deze studie biedt een veelbelovende route naar de volgende generatie robotische kathetersystemen die veiliger, nauwkeuriger en efficiënter zijn in complexe klinische omgevingen.