Resumo Técnico: O Feedback é Fundamental: Aumentando a Dissecação Autônoma com Feedback Visual e Topológico

1. Declaração do Problema

Sistemas cirúrgicos autônomos enfrentam desafios significativos em ambientes altamente dinâmicos, onde as propriedades dos tecidos e as pistas visuais evoluem rapidamente. Embora os mecanismos de feedback na robótica cirúrgica tenham avançado em áreas como rastreamento de ferramentas, rastreamento de agulhas e detecção de erros, os métodos existentes permanecem limitados no tratamento dos desafios topológicos e perceptivos da dissecação de tecidos.

As abordagens atuais de dissecação automatizada dependem frequentemente de objetivos predefinidos e carecem da capacidade de:

• Verificar a conclusão da tarefa em tempo real.
• Adaptar-se quando a progressão da dissecação ocorre de forma diferente do esperado.
• Distinguir entre tecido conectado e seccionado quando as pistas visuais são ambíguas (ex: devido à falta de estiramento do tecido).
• Manipular ativamente o ambiente para expor informações de estado ocultas necessárias para uma execução segura.

O problema central abordado é a falta de uma autonomia confiável e habilitada por feedback que possa detectar falhas, raciocinar sobre mudanças topológicas e corrigir ativamente erros de dissecação em ambientes de tecido real.

2. Metodologia

Os autores propõem um framework habilitado por feedback para a dissecação autônoma de tecidos que opera em um ciclo fechado. O sistema raciocina explicitamente sobre mudanças topológicas a partir de imagens endoscópicas após cada ação e utiliza manipulação ativa para melhorar a confiabilidade do feedback. O pipeline consiste em três componentes iterativos:

A. Agentes de Dissecação Autônoma

O framework foi projetado para ser agnóstico à política de controle subjacente, integrando-se tanto a:

1. Política Baseada em Aprendizado: Uma política visuomotora 3D usando aprendizado por imitação (Action Chunking with Transformer, ACT). Ela utiliza uma estratégia "slow-fast", combinando estimativas de profundidade monocular de alta frequência (Video Depth Anything) com nuvens de pontos de baixa frequência (Stereo Anywhere modificado) para executar retração bimanual e corte.
2. Agente Baseado em Planejamento: Um planejador que gera caminhos 3D projetando pontos-chave rastreados da imagem para o espaço de trabalho do robô. Ele executa uma sequência de preensão, retração ao longo do vetor normal do objetivo e corte.

B. Estimativa de Conectividade de Tecido

Para determinar se um corte está completo, o sistema estima a conectividade do tecido usando uma combinação de Rastreamento de Pontos-Chave (Keypoint Tracking) e uma abordagem baseada em regras:

• Rastreamento: Pontos-chave são amostrados ao redor do alvo de dissecação. O sistema rastreia sua evolução temporal usando ou Rastreamento de Pontos-Chave de Imagem (IKT) ou Rastreamento Baseado em Modelo (MBT) baseado em um simulador XPBD (Extended Position-based Dynamics).
• Lógica de Conectividade: O sistema calcula a razão de elongação ($\rho$) das arestas que conectam os pontos-chave vizinhos. Se uma aresta esticar além de um limiar $\tau$ vezes seu comprimento original, ela é classificada como "desconectada" (seccionada).
• Saída: Um conjunto de arestas restantes conectadas ($E_{uncut}$) que requerem ação adicional.

C. Controle de Maximização de Exposição

A precisão da estimativa de conectividade depende fortemente da visibilidade da região dissecada. Os autores introduzem um Controlador de Maximização de Exposição que deforma ativamente o tecido para criar uma configuração de visualização ideal.

• Objetivo: Resolver um problema de controle ótimo de horizonte finito para maximizar a visibilidade enquanto garante que o tecido seja esticado ortogonalmente ao caminho de dissecação.
• Funções de Custo:
  1. Alinhamento da normal voltada para a câmera: Incentiva as normais da superfície a voltarem-se para a câmera.
  2. Expansão de deformação: Incentiva a expansão ortogonal ao objetivo de dissecação e minimiza o cisalhamento paralelo a ele.
• Restrições: Garante que a região de interesse permaneça dentro do campo de visão da câmera.
• Solver: Utiliza um solver baseado em amostragem (MPPI) acelerado por GPU (Warp) para encontrar a sequência de ações robóticas ideal.

D. Planejamento de Feedback de Recuperação

Se a estimativa de conectividade indicar uma dissecação incompleta, um Planejador de Recuperação gera ações corretivas:

• Formulação: O problema é modelado como um problema de Cobertura de Conjunto Mínimo (Minimum Set Covering) para encontrar o menor conjunto de novos segmentos de dissecação que interceptem todas as arestas não cortadas restantes.
• Algoritmo: Um algoritmo de aproximação gulosa (Algoritmo 1) seleciona iterativamente segmentos de linha candidatos que cobrem o número máximo de arestas não cortadas, gerando um objetivo de dissecação refinado para a próxima iteração.

3. Principais Contribuições

1. Framework Habilitado por Feedback: Uma arquitetura inovadora que raciocina explicitamente sobre mudanças topológicas e integra feedback estruturado em loops de dissecação autônoma.
2. Maximização Ativa de Visibilidade: A introdução de métricas de visibilidade e um controlador ótimo que manipula ativamente o tecido para maximizar a exposição, melhorando significativamente a confiabilidade da estimativa do estado topológico.
3. Integração Versátil: Demonstração da compatibilidade do framework com agentes de dissecação baseados em planejamento e baseados em aprendizado.
4. Mecanismo de Recuperação: Um método para detectar cortes incompletos e gerar objetivos corretivos precisos, indo além da simples execução para a correção de erros.

4. Resultados Experimentais

Os autores realizaram experimentos extensos no da Vinci Research Kit (dVRK) usando tanto simuladores de tecido quanto tecidos animais ex vivo (pele de boi e frango).

• Desempenho de Rastreamento: O LiteTracker alcançou a maior precisão de detecção (92,8%) para estimativa de conectividade em comparação com o CoTracker3 e o RAFT.
• Maximização de Exposição: Comparado a um planejador de normal ingênuo, o controlador proposto aumentou a área visível da região dissecada em 23 vezes (de ~69 px para ~1653 px) e melhorou a precisão da estimativa de conectividade de 5,56% para 86,00%.
• Autonomia de Dissecação:
  • Taxa de Sucesso: Tanto os agentes baseados em aprendizado quanto os baseados em planejamento com feedback alcançaram uma taxa de sucesso de 80%, superando significativamente os baselines sem feedback (20–45%).
  • Redução de Erros: O framework de feedback reduziu drasticamente os "Anexos Remanescentes" (de 16 para 3 para o baseado em planejamento; de 0 para 0 para o baseado em aprendizado, mas com melhor desvio de comprimento) e o "Desvio de Comprimento" (de ~5,8mm para 1,84mm para o baseado em aprendizado).
  • Melhoria Iterativa: Ao longo de três tentativas, os agentes habilitados por feedback mostraram uma diminuição acentuada nos anexos remanescentes e cortes excessivos, enquanto os baselines sem feedback mostraram melhoria mínima.
• Demonstração no Mundo Real: O sistema realizou com sucesso uma dissecação sequencial de 7,6 cm em tecido de frango ex vivo, demonstrando eficácia em um cenário de múltiplas etapas.

5. Significância e Alegações

O artigo afirma que o feedback é o mecanismo central para dominar habilidades tanto na cognição humana quanto na autonomia robótica. A significância deste trabalho reside em sua capacidade de:

• Preencher a lacuna entre a interpretação passiva de sensores e a intervenção ativa, permitindo que robôs "busquem" informações (via maximização de exposição) em vez de apenas reagir a elas.
• Aumentar a robustez em cenários cirúrgicos complexos ao permitir que sistemas detectem e se recuperem de erros (cortes incompletos) que levariam à falha da tarefa.
• Fornecer um framework generalizável que melhora a autonomia independentemente de o agente subjacente ser orientado por dados (baseado em aprendizado) ou por modelos (baseado em planejamento).

Os autores observam modestamente que o framework atual foca em tecidos de casca fina (thin-shell) e pode ter dificuldades com tecidos volumétricos ou ocluídos. Eles identificam como trabalho futuro a expansão desses mecanismos para lidar com dissecação volumétrica e a validação do sistema em tecido suíno para configurações cirúrgicas realistas.