⚡ electrical engineering

Research on Adaptive Fuzzy PID Control of Breast Intervention Robot Based on Visual Detection

Dit artikel stelt een adaptief fuzzy PID-controlesysteem voor, geïntegreerd met een real-time binoculaire stereovisie-workflow, om submillimeter naaldpunttracking te bereiken en de doelnauwkeurigheid van borstinterventierobots voor klinische toepassingen aanzienlijk te verbeteren.

Oorspronkelijke auteurs: haiyan du, zhimeng zhang, xilei wang, guijin xie

Gepubliceerd 2026-08-11

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: haiyan du, zhimeng zhang, xilei wang, guijin xie

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin robots niet alleen auto's bouwen of vloeren stofzuigen, maar artsen helpen bij het uitvoeren van delicate operaties. Dit is de opwindende hoek van de wetenschap die bekend staat als medische robotica. In de kern hebben deze machines twee superkrachten nodig: visie en controle. Denk aan visie als de ogen van de robot, waardoor deze precies kan zien waar een naald zich in de 3D-ruimte bevindt, net zoals jouw hersenen de informatie van beide ogen combineren om afstand in te schatten. Dan is er controle, het "brein" van de robot voor beweging. Een standaard controlesysteem is als een bestuurder die alleen naar de snelheidsmeter kijkt; als hij te hard gaat, stampt hij vol op de rem, waarbij hij vaak voorbij het stopbord schiet. Een slimmer systeem is echter als een ervaren bestuurder die de weg voelt, drempels anticipeert en voorzichtig stuurt en gas geeft om precies te stoppen waar hij moet stoppen. Waarom geeft iemand daar eigenlijk om? Omdat artsen bij de behandeling van borstkanker een naald met extreme precisie in een kleine tumor moeten kunnen leiden. Zelfs een kleine trilling of een gemiste doelwit kan het verschil betekenen tussen een succesvolle biopsie en onnodige schade.

De robot die leert zijn hand te stabiliseren

In dit onderzoek heeft een team van onderzoekers van de Harbin University of Science and Technology een lastig probleem aangepakt: het laten bewegen van een interventierobot voor de borst met de standvastigheid van een meesterchirurg. Ze wilden een specifiek hoofdpijndossier oplossen: wanneer een robot probeert een naald in zacht, verend borstweefsel te duwen, begint deze vaak te trillen of schiet hij voorbij het doel. Om dit op te lossen, bouwden ze een systeem dat binoculaire stereovisie (twee camera's die samenwerken als menselijke ogen) combineert met een slimme nieuwe manier om de motoren van de robot aan te sturen, genaamd adaptieve fuzzy PID.

De ogen: De naaldpunt in 3D zien

Eerst moest het team de robot leren hoe hij moet kijken. Ze gebruikten niet slechts één camera, maar een paar, wat een "binoculaire" opstelling creëert. Stel je voor dat je met één oog dichtkijkt naar een vinger, en dan met het andere; je hersenen merken dat de vinger van positie verandert. De robot doet hetzelfde. Door twee camera's te gebruiken, kan de robot exact berekenen waar de punt van de biopsienaald zich in de 3D-ruimte bevindt.

Het proces is als een technologische goocheltruc bestaande uit verschillende stappen:

Het beeld opschonen: De ruwe beelden van de camera's zijn een beetje rommelig, dus de computer maakt ze eerst glad door "ruis" (zoals statische ruis op een oude tv) te verwijderen.
Het zicht uitlijnen: De twee camera-beelden worden wiskundig "rechtgetrokken" zodat ze perfect op elkaar aansluiten, zoals het uitlijnen van twee stukjes van een puzzel.
De match vinden: De computer zoekt naar hetzelfde punt op de naaldpunt in beide beelden. Het gebruikt een methode genaamd SGBM (Semi-Global Block Matching) om de beste match te vinden, wat een "dispariteitskaart" creëert—een speciale afbeelding die de robot vertelt hoe ver elk punt verwijderd is.
De cirkel opsporen: De punt van de naald heeft een speciale ronde markering. De robot gebruikt een techniek genaamd Hough gradient transform om deze cirkel in de afbeelding te vinden, waarmee de exacte locatie wordt bepaald.

Door deze stappen te combineren, kan de robot de naaldpunt in realtime volgen en de positie elke seconde bijwerken (specifiek elke 1000 milliseconden).

Het brein: De "Fuzzy" controller

Zodra de robot ziet waar de naald is, moet hij deze daarheen bewegen. Dat is waar de Adaptive Fuzzy PID in beeld komt.

Om dit te begrijpen, stel je voor dat je een auto probeert te parkeren in een krappe parkeerplaats.

Een standaard PID-controller is als een bestuurder die alleen reageert op hoe ver hij er naast zit. Als hij te ver naar links zit, stuurt hij naar rechts. Maar hij kan te hard sturen, te ver naar rechts uitwijken, en dan weer moeten corrigeren, wat zorgt voor een schokkerige stop.
De Adaptive Fuzzy PID is als een bestuurder die niet alleen ziet hoe ver hij er naast zit, maar ook hoe snel hij naar de plek toe beweegt. Als hij snel beweegt en dichtbij komt, laat de bestuurder het gas voordat hij voorbijschiet al voorzichtig los.

Het "Fuzzy"-gedeelte is het geheime ingrediënt. In het echte leven is niet alles zwart-wit (0 of 1). "Fuzzy logic" stelt de robot in staat om regels te gebruiken zoals: "Als de fout klein is en sneller wordt, vertraag dan een beetje." De robot gebruikt deze regels om zijn eigen instellingen (de P-, I- en D-waarden) voortdurend aan te passen terwijl hij bezig is. Het is alsoast de robot die leert de naald in realtime te besturen, waarbij de grip wordt aangepast op basis van hoe het weefsel aanvoelt en hoe de naald beweegt.

De resultaten: Soepeler en nauwkeuriger

De onderzoekers testten hun nieuwe systeem op twee manieren: via computersimulaties en via experimenten in de echte wereld met een fysieke robot.

In de simulaties:
Toen ze hun nieuwe "Fuzzy" brein vergeleken met een traditioneel "Standaard" brein, waren de resultaten duidelijk. Het nieuwe systeem was veel rustiger. Het verminderde de "overshoot" (het voorbijschieten van het doel) met ongeveer 35% en stopte ongeveer 20% sneller met trillen. Het bereikte het doel zonder de schokkerige heen-en-weer beweging van het oude systeem.

In de echte experimenten:
Het team bouwde een robot met een naald en probeerde deze naar specifieke doelen te bewegen.

Vóór het herstellen van de fouten: De robot was oké, maar niet perfect. De gemiddelde fout was ongeveer 2,4 mm op de X-as, 3,2 mm op de Y-as (de hoofdrichting waarin de naald beweegt) en 1,8 mm op de Z-as. De grootste fout was 8,6 mm, wat te groot is voor een delicate chirurgische ingreep.
De oplossing: De onderzoekers merkten een patroon in de fouten op. Ze realiseerden zich dat de motoren van de robot soms een kleine stap misten (alsof een hardloper over zijn eigen veters struikelt). Ze creëerden een wiskundige "compensatie" om dit te herstellen.
Na de oplossing: De resultaten verbeterden drastisch. De gemiddelde fout op de belangrijkste voedingsas (Y-as) daalde naar 1,2 mm, en de grootste fout werd teruggebracht tot 3,4 mm.

Waarom dit ertoe doet

Het artikel concludeert dat dit systeem succesvol de kloof overbrugt tussen "zien" en "doen". Door de 3D-visie van de robot te combineren met een slim, zelfregulerend controlesysteem, creëerden ze een gesloten lus waarbij de robot de naald ziet, de fout berekent en direct zijn beweging corrigeert.

Hoewel de initiële fouten wat hoog waren, voldeden de uiteindelijke gecompenseerde resultaten aan de strikte eisen voor klinische chirurgie, die over het algemeen een nauwkeurigheid van minder dan 2 mm vereisen. De studie suggereert dat deze aanpak—het gebruik van twee camera's om te zien en fuzzy logic om te denken—een betrouwbare manier kan zijn om toekomstige borstkankerbiopsieën veiliger, nauwkeuriger en minder stressvol voor patiënten te maken. Het bewijst dat met de juiste combinatie van visie en slimme controle, robots kunnen leren om de delicate taak van het navigeren door zacht menselijk weefsel te beheersen.

Technische Samenvatting: Adaptieve Fuzzy PID-regeling van een Borstinterventierobot op basis van Visuele Detectie

Probleemstelling
Het artikel behandelt de kritieke uitdaging van het bereiken van hoogprecisiebesturing in borstinterventierobots, specifiek voor biopsieprocedures bij tumoren. Hoewel visuele detectietechnologieën (zoals MRI en echografie) breed worden gebruikt voor diagnose, is hun integratie in minimaal invasieve interventierobots voor real-time naaldgeleiding nog onvoldoende ontwikkeld. Bestaande oplossingen missen vaak volwassen producten die in staat zijn om de nonlineariteiten van draadoverbrenging en de onzekerheden van interactie met zacht weefsel aan te kunnen. Bovendien voldoen de kernalgoritmen voor besturing bij hoogprecisie-operaties vaak niet aan de strenge klinische eisen voor veiligheid en nauwkeurigheid, met name bij het compenseren van positieafwijkingen tijdens de naaldinbrenging.

Methodologie
De auteurs stellen een closed-loop regelingskader voor dat real-time binoculaire stereovisie integreert met een adaptieve fuzzy PID-regelaar. De methodologie is gestructureerd in drie primaire componenten:

Visuele Perceptie en Naaldpuntlokalisatie:
- Hardware: Een borstinterventierobot met drie vrijheidsgraden (X-, Y-, Z-assen) is uitgerust met een binoculair stereocamerasysteem.
- Beeldverwerkingspipeline: Het systeem maakt gebruik van een workflow bestaande uit beeldpreprosessing (grijswaardenconversie en median filtering), Bouguet-stereorectificatie om beeldvlakken uit te lijnen, en Semi-Global Block Matching (SGBM) voor stereomatching om dispariteitskaarten te genereren.
- 3D-coördinaatextractie: Om de naaldpunt te lokaliseren, gebruikt het systeem de Hough-gradiënttransformatie om een sferische marker op de naaldtip te detecteren in het gerectificeerde linkerbeeld. Door de pixelcoördinaten te combineren met de dispariteitskaart en de camera-intrinsieke en -extrinsieke parameters, berekent het systeem de 3D ruimtelijke coördinaten van de naaldtip met behulp van triangulatieprincipes.
Adaptieve Fuzzy PID-regeling:
- Regelstrategie: In plaats van een vaste PID-regelaar gebruikt het systeem een adaptieve fuzzy PID-regelaar. Deze regelaar neemt de positiefout ( $e$ ) en de veranderingssnelheid van de fout ($ec$) als inputs.
- Fuzzy Logica: Er is een fuzzy-inferentie-engine ontworpen met een mechanisme van twee inputs en drie outputs ( $e$ , $ec$ $\rightarrow$ $\Delta K_p$ , $\Delta K_i$ , $\Delta K_d$ ). Het maakt gebruik van een regelbasis afgeleid van expertkennis om de PID-parameters online af te stemmen.
- Implementatie: De fuzzy logica gebruikt zeven linguïstische variabelen (van Negative Big tot Positive Big) met driehoekige lidmaatschapsfuncties. De defuzzificatie wordt uitgevoerd met de zwaartepuntmethode om vloeiende outputaanpassingen te garanderen.
Experimentele Validatie:
- Experimenten werden uitgevoerd met een hardwareplatform bestaande uit de robot, een STM32F103VET6-microcontroller en een DAUL-100M-60 binoculaire camera.
- Het systeem werd getest over een periode van 8000 ms met monsternemingsintervallen van 1000 ms.
- Een foutcompensatiemechanisme werd toegepast op de Y-as (de primaire voedingsrichting) op basis van curve-fitting van pulsgetallen versus verplaatsing om stapfouten veroorzaakt door motorresonantie aan te pakken.

Belangrijkste Bijdragen
Het artikel identificeert drie hoofdbijdragen:

Real-time Visuele Workflow: Ontwikkeling van een robuuste visuele inspectieworkflow die Bouguet-correctie, SGBM-matching en Hough-cirkeldetectie integreert, wat leidt tot consistente extractie van de 3D-coördinaten van de naaldpunt in statische omgevingen.
Adaptief Regelontwerp: Het ontwerp van een adaptieve fuzzy PID-regelaar met een dual-input, triple-output inferentiemechanisme. Dit maakt online afstemming van regelparameters mogelijk op basis van real-time foutdynamiek, waardoor systeemnonlineariteiten worden aangepakt zonder dat een precies wiskundig model van de interactie met zacht weefsel nodig is.
Experimentele Verificatie: Succesvolle validatie van het geïntegreerde systeem, waarbij wordt aangetoond dat foutcompensatie de gemiddelde doelwitfout van de primaire voedingsas binnen de klinische vereisten kan brengen.

Resultaten

Simulatie: Simulaties in Simulink die de voorgestelde adaptieve fuzzy PID-regelaar vergelijken met een traditionele PID-regelaar, lieten zien dat de voorgestelde methode de overshoot met ongeveer 35% verminderde en de insestijd met ongeveer 20% verkortte.
Visuele Detectie: Het systeem genereerde succesvol stabiele dispariteitskaarten en extraheerde 3D-coördinaten binnen de monsternemingvensters van 1000–4000 ms.
Bewegingsbesturing:
- Initiële Prestaties: Zonder compensatie waren de gemiddelde fouten 2,4 mm (X-as), 3,2 mm (Y-as) en 1,8 mm (Z-as). De maximale fout op de Y-as bereikte 8,6 mm.
- Gekompenseerde Prestaties: Na het toepassen van de pulscompensatie op de Y-as werd de gemiddelde doelwitfout verminderd tot 1,2 mm, met een maximale fout van 3,4 mm.
- Klinische Relevantie: De gecompenseerde gemiddelde fout op de Y-as voldoet aan de klinische nauwkeurigheidseis van minder dan 2 mm, hoewel de maximale fout (3,4 mm) deze drempel overschrijdt.

Betekenis en Claims
De auteurs beweren dat dit onderzoek de technische kloof tussen visuele perceptie en adaptieve besturing in borstinterventierobots overbrugt. Door interpreteerbare fuzzy-regels te integreren met real-time visuele feedback, biedt het systeem een inzetbare oplossing die niet afhankelijk is van grootschalige klinische datasets of precieze dynamische modellen van zacht weefsel. De studie positioneert deze aanpak als een stap naar autonome en precieze borstkankerdiagnostiek en -behandeling, en biedt een technisch pad voor hoog-veilige medische robots die een balans vinden tussen interpreteerbaarheid, betrouwbaarheid en technische haalbaarheid. De auteurs erkennen dat hoewel het systeem aan de gemiddelde klinische nauwkeurigheidsnormen voldoet, er uitdagingen blijven bestaan in het balanceren van de volledigheid van de regelbasis met computationele complexiteit en het compenseren van inherente vertragingen in de visuele feedback.

De robot die leert zijn hand te stabiliseren

De ogen: De naaldpunt in 3D zien

Het brein: De "Fuzzy" controller

De resultaten: Soepeler en nauwkeuriger

Waarom dit ertoe doet

Meer zoals dit