[論文レビュー] Hybrid Data-Driven and Analytical Model for Kinematic Control of a Surgical Robotic Tool

Francesco Cursi, Anh V. Nguyen+1 more|arXiv (Cornell University)|Jun 4, 2020

Gaussian Processes and Bayesian Inference参考文献 18被引用数 4

ひとこと要約

本稿では、解析的モデルとガウス過程回帰（GPR）に基づくデータ駆動型学習を融合することで、腱駆動型外科研術ロボットのハイブリッド運動学的モデリング手法を提案する。この手法は、GPRの不確実性に基づいてモデルを動的に重み付けし、純粋な解析的モデルやデータ駆動型モデルよりも顕著に精度を向上させ、実ロボットデータにおいてx方向のRMSEを40%低減した。

ABSTRACT

Accurate kinematic models are essential for effective control of surgical robots. For tendon driven robots, which is common for minimally invasive surgery, intrinsic nonlinearities are important to consider. Traditional analytical methods allow to build the kinematic model of the system by making certain assumptions and simplifications on the nonlinearities. Machine learning techniques, instead, allow to recover a more complex model based on the acquired data. However, analytical models are more generalisable, but can be over-simplified; data-driven models, on the other hand, can cater for more complex models, but are less generalisable and the result is highly affected by the training dataset. In this paper, we present a novel approach to combining analytical and data-driven approaches to model the kinematics of nonlinear tendon-driven surgical robots. Gaussian Process Regression (GPR) is used for learning the data-driven model and the proposed method is tested on both simulated data and real experimental data.

研究の動機と目的

• 腱駆動型外科研術ロボットにおける高い非線形性、特にヒステリシスとスラックのモデリングの課題に対処すること。
• 外科研術分野における純粋な解析的モデル（過剰に単純化）と純粋なデータ駆動型モデル（一般化性能が低い）の限界を克服すること。
• 両者の長所を活かしたハイブリッドモデリングフレームワークを構築し、運動学的精度を向上させること。
• マイクロ・アイジェス外科研術ツールからのシミュレート済みおよび実験的データを用いて、ハイブリッドモデルの性能を評価すること。

提案手法

• 解析的モデルは、ロボットの物理的構造と tendons のルーティングに基づく幾何学的・運動学的仮定から導出される。
• データ駆動型モデルは、ガウス過程回帰（GPR）を用いて、解析的モデルと実測値との誤差を学習することで構築される。
• GPRの予測不確実性に基づく信頼度を用いて重み付けすることで、解析的モデルとGPRモデルをハイブリッドモデルに統合する。
• GPRモデルは3つのバリエーションで訓練された：誤差学習（残差に対するGPR）、事前知識を組み込んだGPR（カーネルに解析的モデルを組み込み）、事前知識なしのGPR。
• 動的重み関数により、GPRの予測分散に基づいて解析的モデルとデータ駆動型モデルの寄与度をリアルタイムで調整する。
• 本手法は、シミュレート済みデータおよびマイクロ・アイジェスロボットツールを用いた実世界の実験で検証され、評価にはリムニスケート軌道が用いられた。

実験結果

リサーチクエスチョン

• RQ1 解析的モデルとデータ駆動型モデルを統合したハイブリッドモデルは、単独のアプローチと比較して、腱駆動型外科研術ロボットの運動学的モデリング精度を向上させることができるか？
• RQ2 GPRによる不確実性推定は、解析的モデルとデータ駆動型モデルの融合戦略にどのように影響を与えるか？
• RQ3 GPRカーネルに事前知識（解析的モデル）を組み込むことで、一般化性能が向上し、トレーニングデータへの過学習が軽減されるか？
• RQ4 複雑な非線形性を示す実ロボットシステムにおいて、ハイブリッドモデルは純粋な解析的モデルおよび純粋なデータ駆動型モデルと比較して、性能に優れているか？
• RQ5 解析的モデルの精度が、最終的なハイブリッドモデルの性能に与える影響は何か？

主な発見

• 実ロボットデータにおけるハイブリッドモデルのx方向のRMSEは0.009 mに達し、単独のGPRモデル（RMSE 0.011 m）と比較して40%の改善を示した。
• ハイブリッドモデルは、x方向の最大絶対誤差をGPRの0.033 mから0.031 mに低減し、より高いロバストネスを示した。
• 解析的モデルと実測値の誤差を学習する（GPR on residuals）アプローチが、テストされた3つのGPRバリエーションの中で最も優れた性能を示した。
• ハイブリッドモデルは、特に不確実性が高まる領域で、純粋なGPRモデルよりも滑らかな予測を示した。
• 解析的モデルの精度が最終的なハイブリッド結果に顕著に影響を与え、劣悪な解析的モデルは全体の性能を低下させた。
• 本手法は、モデルの信頼度とデータ駆動型学習のバランスをうまくとることができ、GPRの不確実性が高い領域では解析的モデルに優位性を与えた。