Spatiotemporal Context-dependent Personalized Movement Compensation in Delayed Telemanipulation

Technische Samenvatting: Spatiotemporele contextafhankelijke gepersonaliseerde bewegingscompensatie bij vertraagde telemanipulatie

Probleemstelling
Communicatievertraging blijft een kritieke barrière in teleoperabele chirurgie en robotica, wat de visuele-motorische coördinatie verstoort en de precisie van taken vermindert. Vertragingen onder de 330 ms zijn over het algemeen beheersbaar, maar latenties die de 400 ms overschrijden, verslechteren de prestaties van de chirurg aanzienlijk en compromitteren de waargenomen veiligheid. Bestaande tegenmaatregelen, zoals bewegingsschaling (sub-eenheid gains), vertrouwen vaak op uniforme parameters die geen rekening houden met individuele variabiliteit van de operator of de specifieke context van de taak (bijv. bewegingsrichting, afstand en de omvang van de vertraging). De huidige literatuur suggereert dat de gevoeligheid voor vertraging verschuift op basis van de taatgeometrie en adaptatie van de operator, maar de factoren die deze variaties vormgeven blijven onderbelicht.

Methodologie
De auteurs voerden een studie met twee sessies uit met twintig gezonde deelnemers om een mensgerichte, gepersonaliseerde bewegingscompensatie-framework te evalueren.

• Experimenteel Ontwerp:
  • Sessie 1 (SimOnly): Deelnemers voerden teleoperabele reiktaken uit in een virtuele omgeving (CoppeliaSim) met behulp van een da Vinci Research Kit (dVRK) digitale tweeling en een haptische interface. De studie maakte gebruik van een binnen-proefpersoon ontwerp waarbij vier factoren werden gekruist: Assistentie (Gepersonaliseerd versus Ongeassisteerd), Vertraging (100, 250, 400 ms), Afstand (5, 10, 15 mm) en Richting (Lateraal, Longitudinaal, Verticaal).
  • Sessie 2 (Sim2Real): Deelnemers keerden terug om een gemodificeerde peg-transfer taak uit te voeren op een fysiek dVRK-systeem. Deze sessie testte de transfer van gains afgeleid van simulatie naar echte hardware. Het bevatte Unassisted, Generalized (populatiegemiddelde) en Personalized assistentie-condities.
• Personalisatiestrategie: De kerninnovatie is een methode om gepersonaliseerde schaleringsparameters ($G$) voor elke deelnemer te fitten op basis van specifieke combinaties van vertraging ($\delta$), afstand ($d$) en richting ($\theta$). De gain wordt berekend als de ratio van de piek reikafstand in een no-delay baseline naar die in een delayed conditie, waardoor effectief een "gain tensor" wordt gecreëerd om overshoot te minimaliseren.
• Metrieken: Prestaties werden beoordeeld aan de hand van Initial Reaching Error (overshoot/undershoot), Endpoint Error, Bewegingssmoothness (Spectral Arc Length), Economy of Motion (Path Straightness Index) en een gecombineerde Error-Time (nCET) metriek. Subjectieve werklast werd gemeten via NASA-TLX.
• Analyse: Lineaire mixed-effects modellen werden gebruikt om de hoofdeffecten en interacties te analyseren, waarbij gegevens via Box-Cox werden getransformeerd om normaliteit te waarborgen.

Belangrijkste Bijdragen
Het artikel stelt drie primaire bijdragen vast:

1. Contextafhankelijke Personalisatie: Het demonstreert dat gepersonaliseerde bewegingsschaling, geconditioneerd op vertraging, afstand en richting, de telemanipulatieprestaties aanzienlijk verbetert vergeleken met ongeassisteerde proeven in simulatie, met overdraagbare voordelen naar echte hardware voor specifieke metrieken.
2. Nauwkeurigheid zonder Tijdstraf: Gepersonaliseerde schaling verbetert de ruimtelijke nauwkeurigheid (het verminderen van overshoot) zonder een betrouwbare toename in bewegingstijd in de meeste condities, waardoor de speed-accuracy tradeoff wordt verbeteren, hoewel de winst in nauwkeurigheid inconsistent was voor de endpoint error in real-world scenario's.
3. Simulatie-naar-Real Transfer: De studie valideert dat gepersonaliseerde gains afgeleid van simulatiedata overdraagbaar zijn naar real-world manipulatietaken op fysieke hardware, hoewel met een verminderde effectiviteit en specifieke metriekbeperkingen vergeleken met de simulatieomgeving.

Resultaten

• Simulatie (SimOnly): Gepersonaliseerde assistentie verminderde consequent overshoot over alle vertragingen, afstanden en richtingen. Echter, het voordeel voor de endpoint error nam niet toe met de vertraging; in plaats daarvan was assistentie effectiever en consistenter specifiek in de inwaartse reikrichting ten opzichte van geen assistentie. De voordelen waren het meest uitgesproken bij langere vertragingen (400 ms) voor overshoot, wat prestatiewinsten van 20–25% opleverde in sleutelmetrieken. Personalisatie verbeterde ook de bewegingssmoothness en economie aanzienlijk. Opmerkelijk genoeg waren de nauwkeurigheidsvoordelen richtingafhankelijk, waarbij het inwaarts reiken (naar de lichaamsmiddellijn) een grotere verbetering liet zien dan het uitwaarts reiken.
• Real-World (Sim2Real): De transfer van gepersonaliseerde gains naar de fysieke robot bevestigde verbeteringen in bewegingssmoothness en economie. De voordelen waren echter minder consistent dan in de simulatie. Specifiek resulteerde gepersonaliseerde assistentie niet in een consistente vermindering van de endpoint error in de echte taak en, in sommige gevallen (bijv. bij 250 ms vertraging), verminderde het de nauwkeurigheid vergeleken met ongeassisteerde proeven. Bovendien werd het voordeel van gepersonaliseerde assistentie voor de initial reaching error in simulatie, geëlimineerd tijdens de real-world transfer.
• Gepersonaliseerd vs. Gegeneraliseerd: Hoewel populatiegemiddelde (generieke) gains een solide baseline boden, boden gepersonaliseerde gains duidelijke voordelen in specifieke contexten, met name bij inwaarts reiken op korte afstanden onder matige vertraging. In de Sim2Real sessie verminderde gepersonaliseerde assistentie de subjectieve werklast aanzienlijk vergeleken met generieke gains, zelfs wanneer de algemene verschillen in werklast tussen de geassisteerde en ongeassisteerde proeven verwaarloosbaar waren.

Betekenis en Claims
De auteurs claimen dat dit werk de potentie van gepersonaliseerde schaling benadrukt als fundament voor meer adaptieve teleoperatie-frameworks. De resultaten suggereren dat vertragingscompensatie niet moet worden beschouwd als een statische kalibratie, maar als een dynamisch, contextbewust proces. Door populatie-niveau initialisatie te integreren met adaptieve verfijning op basis van de gebruikersstatus en de taakcontext (richting en afstand), kunnen teleoperatiesystemen zowel betrouwbaarheid als flexibiliteit bereiken. Het artikel concludeert dat hoewel generieke gains effectieve startpunten zijn voor nieuwe gebruikers, personalisatie cruciaal is voor het optimaliseren van prestaties in scenario's waar menselijke feedforward-controle nodig is maar onzeker is, met als uiteindelijke doel het verbeteren van de veiligheid en precisie van teleoperabele procedures.