Learning-based Force Sensing and Impedance Matching for Safe Haptic Feedback in Robot-assisted Laparoscopic Surgery

Resumo Técnico: Sensoriamento de Força Baseado em Aprendizado e Correspondência de Impedância para Feedback Háptico Seguro em Cirurgia Laparoscópica Assistida por Robô

Definição do Problema
A integração de feedback háptico preciso na cirurgia minimamente invasiva assistida por robô (RAMIS) continua sendo um desafio crítico devido às dificuldades na renderização precisa de força e na garantia da estabilidade do sistema durante a teleoperação. Embora o feedback háptico possa aumentar a precisão cirúrgica, reduzir danos aos tecidos e melhorar a consistência das tarefas, a maioria dos sistemas comerciais (ex: da Vinci) carece de reflexão contínua de força para o operador. As soluções existentes enfrentam compensações (trade-offs): sensores integrados ao instrumento oferecem alta fidelidade, mas sofrem com problemas de esterilização e complexidade; métodos sem sensor ou baseados em visão frequentemente exigem extensos dados de treinamento ou carecem de precisão física. Além disso, as Abordagens de Correspondência de Impedância (IMA) lineares, embora estáveis, falham em capturar a dinâmica não linear das interações ferramenta-tecido e podem induzir o "kickback háptico" — um solavanco indesejado sentido pelo operador ao soltar o controle — comprometendo a segurança e o conforto.

Metodologia
Os autores propõem uma Abordagem de Correspondência de Impedância Não Linear (NIMA) que estende os frameworks anteriores de IMA linear ao incorporar dinâmicas não lineares para modelar interações complexas ferramenta-tecido em tempo real. A configuração experimental utiliza um sistema de robôs duplos (braços Kinova Gen3) e um console cirúrgico personalizado com controladores hápticos Omega.7. A metodologia é estruturada em torno de três componentes técnicos principais:

1. Calibração de Coordenadas e Alinhamento de Sensores: Para garantir o mapeamento preciso de força, os autores desenvolveram um procedimento para alinhar os sistemas de coordenadas de dois sensores de força: um montado no efetor final do robô ($S_1$) e outro montado no substituto do tecido ($S_1$). Usando um problema de otimização baseado em ângulos de Euler e matrizes de rotação, eles transformaram os dados de $S_2$ para o frame de $S_1$, alcançando uma alta correlação ($R^2 = 0,95$) entre os sensores.
2. Extração de Força Baseada em Redes Neurais: Um desafio significativo na robótica laparoscópica é isolar as forças reais de interação ferramenta-tecido das forças de fricção geradas no Centro Remoto de Movimento (RCM). Os autores treinaram uma Rede Neural (NN) feedforward totalmente conectada para estimar e subtrair esses artefatos de fricção. A NN recebe as forças do braço robótico, orientação (quaterniões) e parâmetros de movimento como entradas para prever a força pura da ponta da ferramenta. Este processo foi validado usando um experimento de "não contato" para garantir que o modelo suprime ruído e viés de fricção sem introduzir artefatos.
3. Modelagem de Impedância Não Linear (NIMA): O algoritmo de renderização central modela a força de contato $f$ como uma resposta aos comandos de movimento $X$ através de uma hiperesuperfície de impedância não linear: $f = MX$. O parâmetro de impedância $M$ é atualizado em tempo real usando uma janela de tempo móvel (300 ms) e um cálculo de pseudo-inversa. O sistema seleciona dinamicamente o grau polinomial ideal ($N=1$ a $5$) para cada janela de tempo para minimizar o erro de reconstrução. Crucialmente, o modelo inclui um limiar de velocidade (1 mm/s); abaixo deste limiar, a força renderizada é zero, prevenindo o kickback.

Principais Contribuições
O artigo apresenta cinco contribuições primárias:

• Isolamento de Força Baseado em NN: Um método inovador para extrair as forças reais de interação instrumento-tecido, isolando componentes de fricção no RCM, permitindo o uso de sensores proximais para estimativa de força distal.
• Calibração de Coordenadas: Um procedimento rigoroso para transformar dados de força entre múltiplos frames de sensores (montados no robô e montados no tecido) para garantir a consistência dos dados.
• Framework NIMA Estendido: Um modelo de impedância não linear adaptativo que alcança precisão de sub-centinewton, superando significativamente o IMA linear validado anteriormente.
• Validação Abrangente: Um protocolo experimental de três estágios validando a calibração de coordenadas, o isolamento de força baseado em NN e a reconstrução de força NIMA.
• Eliminação do Kickback Háptico: Uma estratégia de modelagem não linear adaptativa que garante que força zero seja aplicada à mão do usuário quando o controle é solto ou movido lentamente, aumentando a segurança do operador.

Resultos
O framework proposto foi validado através de experimentos controlados simulando tarefas laparoscópicas (ex: transferência de pinos):

• Calibração de Coordenadas: A transformação entre os frames dos sensores resultou em um Erro Médio Absoluto (MAE) de 0,11 N, 0,09 N e 0,13 N para os eixos X, Y e Z, respectivamente, com uma correlação linear de $R^2 = 0,95$.
• Isolamento de Força: O modelo de NN isolou com sucesso as forças da ponta da ferramenta da fricção do RCM. O MAE entre as forças medidas e previstas foi de 0,19 N (X), 0,16 N (Y) e 0,16 N (Z). Em testes de não contato, o modelo previu forças próximas de zero (média de 0,02 N), confirmando a supressão eficaz de ruído e fricção.
• Renderização de Força: O framework NIMA alcançou um MAE final de 0,01 ± 0,02 N para a renderização de força. Isso representa uma melhoria de 95% na precisão sobre o IMA linear previamente validado (que possuía um MAE de 0,2 N).
• Estabilidade e Segurança: O sistema eliminou com sucesso o haptic kickback. Quando o operador soltava o controle, o sistema renderizava força zero, garantindo que o dispositivo permanecesse estacionário. O algoritmo selecionou ajustes não lineares em mais de 64% das janelas de tempo, demonstrando a necessidade de modelagem não linear para capturar interações dinâmicas ferramenta-tecido.

Significância e Alegações
Os autores alegam que o NIMA aborda a lacuna crítica entre a destreza humana e a precisão robótica na RAMIS ao fornecer feedback háptico estável, de alta fidelidade e seguro. Ao eliminar o haptic kickback e modelar precisamente a dinâmica não linear dos tecidos, o sistema aumenta o conforto e a segurança do operador, enquanto melhora o realismo da teleoperação. O trabalho sugere que a correspondência de impedância não linear é superior às abordagens lineares para capturar a rigidez complexa e variável de tecidos moles. Os autores posicionam o NIMA como um passo viável para a aprovação regulatória e integração clínica, observando seu potencial para preencher a lacuna sensorial em robôs cirúrgicos de próxima geração sem exigir o redesenho invasivo dos instrumentos. O estudo enfatiza que, embora o trabalho atual foque em força, iterações futuras poderiam incorporar feedback de torque e redes neurais informadas pela física para se adaptar ainda mais a diversos ambientes cirúrgicos.