Neural Minimum-Distance Estimation for Collision-Aware Operation of Multi-Arm Laparoscopy Surgical Robots Through Learning-from-Simulation

Resumo Técnico: Estimativa de Distância Mínima Neural para Operação com Consciência de Colisão em Robôs Cirúrgicos Laparoscópicos Multi-braços

Definição do Problema
A cirurgia laparoscópica minimamente invasiva foi aprimorada por sistemas robóticos, que oferecem melhor destreza, visualização e ergonomia. No entanto, sistemas robóticos multi-braços enfrentam desafios significativos de segurança relativos a colisões de instrumentos e restrições de espaço de trabalho. Em ambientes cirúrgicos confinados, a coordenação de múltiplos braços robóticos frequentemente leva à redução da manobrabilidade e colisões não intencionais, que podem causar danos aos tecidos ou interferência mecânica. Os métodos atuais de detecção de colisão dependem frequentemente de algoritinos de planejamento de movimento computacionalmente intensivos, peles sensorizadas ou dispositivos virtuais (virtual fixtures), que podem ter dificuldades com geometrias dinâmicas, dinâmicas não lineares ou as restrições específicas do fulcro cirúrgico. Há uma necessidade de um framework leve, preciso e em tempo real capaz de estimar as distâncias mínimas entre braços robóticos para fornecer alertas precoces de colisão sem comprometer a eficiência operacional.

Metodologia
O estudo propõe um framework integrado combinando modelagem analítica, simulação em tempo real e aprendizado profundo para estimar a distância mínima entre dois braços robóticos Kinova Gen3 de 7-DOF:

1. Modelagem Analítica: Um framework geométrico foi desenvolvido onde cada elo do braço robótico é representado como uma curva de Bézier linear de 1 grau (um segmento de linha reta). Utilizando parâmetros de Denavit-Hartenberg (DH), as posições dos elos são calculadas com base nas configurações das juntas. A distância mínima entre os dois braços é determinada pela resolução analítica da distância mínima entre pares de segmentos de linha que representam os elos. Este modelo serve como um benchmark teórico.
2. Ambiente de Simulação: Uma simulação baseada em física foi construída no Unity 2022.3.32f1 usando o Unified Robot Description Format (URDF) para os braços Kinova Gen3. O ambiente gerou um conjunto de dados de 75.655 configurações aleatórias, variando os ângulos das juntas e as posições relativas das bases dos dois robôs. Colliders do tipo caixa (box colliders) foram usados para computar as distâncias mínimas entre os vértices dos elos, fornecendo uma validação secundária do modelo analítico.
3. Arquitetura da Rede Neural: Um perceptron multicamadas (multilayer perceptron - MLP) residual profundo foi treinado para prever a distância mínima inter-braço ($d_{min}$) em tempo real.
   • Entrada: A rede recebe oito ângulos de junta selecionados (quatro de cada braço) como entrada. A seleção de características via análise de importância de permutação determinou que a base e a primeira junta do ombro (J1–J4 e J8–J11) dominam o sinal de colisão, enquanto as juntas distais do pulso contribuíram com informações preditivas negligenciáveis. Os ângulos das juntas foram codificados como $[\sin \theta, \cos \theta]$ para preservar a topologia periódica, resultando em um vetor de entrada de 16 dimensões.
   • Arquitetura: O modelo consiste em um caule linear projetando para 512 unidades, seguido por oito blocos residuais com conexões de salto (skip connections), e um cabeçalho de predição de duas camadas mapeando para uma saída escalar.
   • Treinamento: A rede foi treinada usando o otimizador AdamW, perda de Charbonnier e um cronograma de taxa de aprendizado de recozimento de cosseno (cosine annealing). O conjunto de dados foi dividido em 90/10 para treinamento e validação.
4. Lógica de Aviso: O sistema é projetado como uma camada de alerta precoce. Um aviso é acionado quando o $d_{min}$ previsto cai abaixo de 0,2 m. Este limiar é derivado da geometria do Kinova Gen3 (raio de seção transversal de aproximadamente 75 mm), onde uma distância centro-a-centro de 0,15 m implica contato de superfície. O limiar de 0,2 m fornece uma margem de segurança de 50 mm para o sistema de teleoperação interromper o movimento.

Principais Contribuições

1. Framework Analítico: Desenvolvimento e validação de um robusto framework geométrico usando curvas de Bézier lineares para prever com precisão as distâncias mínimas entre braços robóticos seriais.
2. Plataforma de Simulação: Design e implementação de uma plataforma de simulação em tempo real baseada em Unity para visualizar e validar a estimativa de distância mínima através de diversas configurações.
3. Implantação de Rede Neural: Treinamento e implantação de uma rede neural profunda capaz de predição rápida da distância mínima inter-braço em tempo real, utilizando um conjunto reduzido de oito ângulos de junta críticos.

Resultados

• Analítico vs. Experimental: Quando comparado contra medições experimentais de dez configurações físicas usando um sistema de rastreamento óptico NDI, o benchmark analítico exibiu um Erro Médio Absoluto (MAE) de 73,3 mm. Esta discrepância é atribuída à representação simplificada de segmentos de linha dos braços (ignorando o raio de 75 mm) e incertezas nos parâmetros do sistema de rastreamento.
• Desempenho da Rede Neural: Em um conjunto de validação mantido fora (held-out) de 7.382 amostras de simulação, o MLP residual treinado alcançou:
  • $R^2 = 0,940$
  • RMSE = 42,0 mm
  • MAE = 28,7 mm
  • Viés médio (mean bias) = 4,0 mm (próximo de zero)
  • 95% dos erros caíram dentro de $\pm 92,2$ mm.
• Desempenho de Classificação: Ao tratar predições abaixo de 0,2 m como avisos de colisão, o modelo alcançou um recall de 99,3%, precisão de 94,1% e um F1-score de 0,966 no conjunto de validação.
• Limitações Observadas: A rede tendeu a superestimar as distâncias no regime de "quase-contato" (distâncias experimentais < 200 mm), resultando em grandes erros relativos para esses casos específicos. Isso é atribuído ao desequilíbrio de classes nos dados de treinamento, onde configurações de quase-colisão estavam sub-representadas.

Significância e Alegações
O artigo afirma que combinar modelagem analítica com aprendizado de máquina oferece uma solução robusta para garantir operações robóticas seguras. O framework é explicitamente posicionado como uma camada de aviso de colisão precoce, e não como um controlador de posicionamento fino. Ao aproveitar uma rede neural profunda, o sistema alcança velocidades de inferência em tempo real superiores à otimização por configuração exigida pelas soluções analíticas de forma fechada. O estudo demonstra que uma rede neural treinada em dados sintéticos pode generalizar efetivamente para configurações não vistas, fornecendo consistência de precisão em todo o espaço de trabalho. Os autores enfatizam que, embora o modelo atual dependa de representações geométricas simplificadas, ele estabelece com sucesso uma base para sistemas críticos de segurança, com trabalhos futuros direcionados à incorporação de formulações de distância conscientes da superfície e restrições dinâmicas para melhorar ainda mais a confiabilidade no regime de quase-contato, que é crítico para a segurança.