💻 computer science

A Unified Benchmark for RCM-Constrained Visual Servoing: Modeling-Controller Interaction and Robustness Analysis in Laparoscopic Robots

本文介绍了一个开源仿真框架，该框架统一了三种 RCM 建模方法和六种 IBVS 控制架构，旨在系统地评估它们在腹腔机器人安全视觉伺服过程中的相互作用、敏感性和鲁棒性。

原作者： Jing Zhang, Mengtang Li

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Jing Zhang, Mengtang Li

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图将一根长而柔软的管子（腹腔镜）穿过墙上一个狭小且坚硬的孔洞（穿刺器），以便观察另一侧的情况。这个游戏的黄金法则规定：这根管子必须恰好在孔洞处进行旋转（pivot）。如果管子在孔洞中发生侧向滑动，就会撕裂墙壁（损伤患者组织）。

这篇论文是关于构建一个“测试赛道”，用以观察不同的“计算机大脑”（控制器）和不同的“规则手册”（数学模型）如何处理这种旋转规则。

以下是作者所做工作的拆解，使用了简单的类比：

1. 问题所在：旋转方式太多了

过去，科学家们发明了许多不同的数学公式来指导机器人如何保持管子在孔洞处旋转。有些公式将孔洞视为一个平面；另一些则将其视为空间中的一个特定点。

问题： 由于每个人使用的数学模型和测试场景都不同，导致无法得知哪种方法才是真正最好的。这就像是在比较赛车，但有的车手在土路上赛，有的车手在高速公路上赛。
解决方案： 作者构建了一个统一的模拟游乐场。他们创建了一个单一且公平的测试赛道，可以在其中接入三种不同的“规则手册”（RRC模型）和六种不同的“驾驶员”（控制系统），从而在完全相同的条件下观察它们的表现。

2. 三种“规则手册”（RCM 模型）

论文测试了三种描述“旋转中心点”的主要数学方式：

规则手册 A（切平面法）： 想象在孔洞处贴上一张平整的纸。数学模型试图让管子的运动始终平行于这张纸。研究发现，如果你画错这张纸（例如，相对于房间平面而非相对于孔洞平面），管子就会开始侧向滑动，从而撕裂“墙壁”。
规则手册 B（投影法）： 想象有一束激光沿着管子的轴线直射而下。数学模型通过将孔洞投影到这条轴线上来寻找旋转中心。这种方法通常非常精确。
规则手册 C（虚拟关节法）： 想象管子内部有一个可以前后滑动、隐形的秘密关节。数学模型将这种滑动视为一种真实的运动。论文发现，如果你不严格锁定这个隐形关节，即使看起来旋转得很好，管子也会在孔洞中前后漂移。

3. 六种“驾驶员”（控制框架）

选定规则手册后，需要一个“驾驶员”来实际驱动机器人手臂。论文测试了六种类型的驾驶员：

“直接型”驾驶员（PI 与 IK）： 这些驾驶员就像是采取最短路径立即行动的司机。它们速度快且简单，但如果遇到复杂的路况（即“奇异点”，或机器人的奇怪姿态），它们会变得混乱，导致管子剧烈跳出孔洞。
“优化型”驾驶员（QP）： 这些是谨慎且具有策略性的驾驶员。在移动之前，它们会解决一个复杂的谜题：“如何在移动目标的同时，既保持管子在孔洞内，又不触碰到我的关节极限？”它们计算起来较慢，但在路况颠簸时表现得非常稳定。

4. 测试赛道的关键发现

作者通过模拟实验，观察了当情况出现偏差或机器人面临棘手情况时会发生什么。

“开环”与“闭环”的陷阱：
- 开环（靠猜）： 一些驾驶员只是计算一次路径然后听天由命。论文发现，即使初始数学计算中存在微小的误差，随着时间的推移也会不断累积，就像指南针偏了一度一样。最终，管子会直接从孔洞中滑出。
- 闭环（不断检查）： 最好的驾驶员会不断自问：“我还在孔洞里吗？”如果发生哪怕一毫米的偏移，它们也会立即纠正。这能让管子保持完美安全。
“漂移”的危险：
在一次测试中，机器人需要进行缩放操作（改变视野大小）。“切平面法”（规则手册 A）在这里失败了。因为该数学模型定义的“平面”是相对于房间而非相对于孔洞的，所以缩放动作迫使管子在孔洞中发生了侧向滑动。“虚拟关节法”（规则手册 C）同样失败了，除非你明确告诉它不要前后滑动。
“奇异点”导致的崩溃：
当机器人手臂处于一种奇怪的、过度伸展的姿态（奇异点）时，“直接型”驾驶员（PI 和 IK）往往会陷入恐慌。它们的数学逻辑会失效，导致管子飞出孔洞。而“优化型”驾驶员（QP）则能优雅地处理这种情况。它们知道如何在不崩溃的前提下，通过稍微调整规则来保持安全。

5. 核心结论

论文得出结论：你不能仅仅单独选择一个“好的”数学模型或一个“好的”驾驶员。它们是紧密耦合的，就像锁和钥匙的关系。

如果你选择的数学模型允许管子前后滑动，那么“直接型”驾驶员可能会加剧这种滑动。
如果遇到棘手的机器人姿态，“直接型”驾驶员会失败，但“优化型”驾驶员可能会化险为夷。

简而言之： 作者并没有发明一种新的机器人或一种新的手术方法。他们构建了一个公平的测试赛道，证明了：为了保证手术机器人的安全，你需要一个能够不断检查自身工作（闭环）并使用智能、谨慎的数学（优化）来应对复杂姿态的控制系统，同时还要使用一个严禁管子侧向滑动的规则手册。

该测试赛道的代码现已开源，因此其他科学家可以使用这个相同的“游乐场”来测试他们自己的想法，而无需重复造轮子。

技术摘要：一种统一的 RCM 约束视觉伺服基准测试

问题陈述

在机器人辅助的腹腔镜微创手术（MIS）中，维持穿刺器处的远程运动中心（Remote Center of Motion, RCM）约束对于防止组织损伤和确保自动视野（Field-of-View, FoV）调节的安全稳定至关重要。虽然基于控制的 RCM 策略比机械方案更具灵活性，但该领域缺乏一个统一且可重复的基准测试。这种缺失阻碍了不同 RCM 建模公式与基于图像的视觉伺服（IBVS）控制架构之间的系统性比较。因此，目前尚不清楚特定的建模选择（例如，切平面定义、约束维度）如何与控制器结构（例如，伪逆法、二次规划法）相互作用，从而影响性能，特别是在接近运动学奇异性时的结构敏感性和鲁棒性方面。

方法论

作者提出了一个开源仿真框架，该框架在一个统一的速度级公式内，集成了三种具有代表性的 RCM 建模方法和六种兼容 IBVS 的控制架构。

1. 统一的 RCM 建模

该框架将三种不同的 RCM 建模方法标准化为通用的约束结构 ( $J_{rcm,i} \dot{u} = v_{rcm,des}$ )：

RCM 1（切平面法）： 根据穿刺点在切平面上的投影计算标量参数 $\lambda$ 。该约束强制要求在该平面内的横向速度为零。
RCM 2（轴投影法）： 将穿刺点投影到腹腔镜轴线上以确定 $\lambda$ 。约束在局部 RCM 坐标系中进行公式化，控制 x 和 y 方向的线速度。
RCM 3（虚拟关节法）： 将 $\lambda$ 引入为虚拟关节变量。约束方程包含该虚拟变量的导数 ( $\dot{\lambda}$ )，从而实现 3D 约束公式化。

2. 控制框架

评估了六种控制策略针对统一 RCM 约束的表现：

伪逆（PI）方法：
- PI 1： 在单个伪逆解中对 RCM 和视觉任务进行同等对待。
- PI 2： 使用零空间投影，使 RCM 约束优先于视觉任务。
二次规划（QP）方法：
- QP 1： 将 RCM 和视觉任务均建模为带有关节限制的等式约束。
- QP 2： 将 RCM 建模为等式约束，并将视觉任务建模为代价函数。
- QP 3： 一种层次化方法，先求解 RCM 约束，然后在零空间内求解视觉任务。
逆运动学（IK）方法： 假设完全满足 RCM 条件，以推导连接器与末端相机旋量之间的直接关系，并通过 IK 进行求解。

3. 仿真设置

实验在 CoppeliaSim 中进行，使用带有刚性腹腔镜的 6 自由度 UR5 机械臂。视觉伺服任务涉及追踪目标矩形（位置、缩放、方向）以调节 FoV。设计了五个特定的案例研究以隔离变量：

切平面选择： 比较 RCM 1 中不同平面定义（全局帧 vs. 局部帧）的影响。
约束维度： 比较 RCM 3 中的 $N_{rcm}=2$ 与 $N_{rcm}=3$ 。
开环 vs. 闭环： 比较几何强制执行（期望速度为零）与误差反馈强制执行。
控制器鲁棒性： 在直线和螺旋（奇异）轨迹下比较所有六种框架。
降低任务复杂度： 评估 2 自由度视觉伺服（仅位置）及其对轴向漂移的影响。

关键结果

仿真研究揭示了几个关键的结构敏感性问题：

建模敏感性： 在 RCM 1 中，在全局坐标系 ( $s$ ) 中定义切平面会导致插入过程中出现显著的横向漂移，而在局部 RCM 坐标系中定义切平面则能保持物理约束。在 RCM 3 中，放宽轴向约束（ $N_{rcm}=2$ ）会导致虚拟变量 $\lambda$ 发生漂移，导致轴向 RCM 误差超过 20 mm。
开环局限性： 开环公式（仅进行几何强制执行而无误差反馈）始终会导致非零的稳态 RCM 误差和轴向漂移。闭环公式（引入 RCM 位置误差反馈）成功地将误差降低到了亚毫米级。
控制器鲁棒性： 在标称运动下，PI、IK 和 QP 方法表现相似。然而，在接近运动学奇异性（例如螺旋轨迹）时，由于雅可比矩阵病态，PI 和 IK 方法失效，导致巨大的 RCM 偏差和跟踪丢失。QP 类方法通过显式处理约束和正则化，保持了稳定性并实现了任务收敛。
权衡： 放宽轴向约束（如 $N_{rcm}=2$ ）减少了关节运动成本，但也引入了轴向漂移，凸显了运动效率与严格约束执行之间的权衡。

意义与贡献

本文并非提出一种新的 RCM 算法，而是提供了一个结构化基准，用于评估建模与控制之间的相互作用。其主要贡献在于：

统一公式： 一个速度级框架，将三种不同的 RCM 模型表达在通用的约束结构下，从而实现直接比较。
模块化基准： 一个集成了三种 RCM 模型和六种控制框架的开源仿真基础设施，用于可重复的测试。
系统性见解： 通过研究揭示了建模选择（切平面定义、维度）与控制器架构（PI vs. QP）如何相互作用，从而决定系统的精度和稳定性。
可重复性： 发布代码和视频演示，作为未来 RCM 约束视觉伺服研究的基准。

作者总结道，RCM 约束视觉伺服中的鲁棒性并非由建模或控制单独决定，而是由两者的结构耦合决定的。未来的工作可能会包括动态效应和更真实的物理条件。