[논문 리뷰] Hybrid Data-Driven and Analytical Model for Kinematic Control of a Surgical Robotic Tool

Francesco Cursi, Anh V. Nguyen외 1명|arXiv (Cornell University)|2020. 06. 04.

Gaussian Processes and Bayesian Inference참고 문헌 18인용 수 4

한 줄 요약

이 논문은 분석 모델과 가우시안 프로세스 회귀(GPR)-기반 데이터 기반 학습을 융합한 하이브리드 운동학 모델링 접근법을 힘줄 구동 수술용 로봇에 제안한다. 이 방법은 GPR의 불확실성에 기반해 모델을 적응적으로 가중함으로써 순수 분석 모델이나 순수 데이터 기반 모델보다 정확도를 크게 향상시키며, 순수 GPR보다 실로봇 데이터에서 x방향의 RMSE가 40% 감소하였다.

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.

연구 동기 및 목표

• 힘줄 구동 수술용 로봇에서의 고도로 비선형적인 특성, 특히 히스테리시스와 이완 현상을 모델링하는 데 도전하는 데 목적을 두며
• 수술용 로봇 분야에서 순수 분석 모델(과도한 단순화)과 순수 데이터 기반 모델(일반화 능력 열 劣)의 한계를 극복하는 데 목적을 두며
• 두 접근법의 장점을 활용하여 향상된 운동학 정확도를 확보하기 위한 하이브리드 모델링 프레임워크를 개발하는 데 목적을 두며
• 마이크로-아이지스 수술 도구에서의 시뮬레이션 및 실제 실험 데이터를 기반으로 하이브리드 모델의 성능을 평가하는 데 목적을 두며

제안 방법

• 분석 모델은 로봇의 물리적 구조와 힘줄 경로를 바탕으로 기하학적 및 운동학적 가정을 기반으로 유도된다.
• 데이터 기반 모델은 분석 모델과 실제 측정값 간의 오차를 학습하기 위해 가우시안 프로세스 회귀(GPR)를 사용하여 구축된다.
• 하이브리드 모델은 GPR 예측의 신뢰도(불확실성)에 기반해 분석 모델과 GPR 모델을 가중하여 조합한다.
• GPR 모델은 세 가지 변형으로 훈련된다: 잔차에 대한 GPR 학습, 사전 지식를 포함한 GPR(커널에 분석 모델 통합), 사전 지식 없음 GPR.
• 가중 함수는 GPR의 예측 분산에 기반해 분석 모델과 데이터 기반 모델의 기여도를 동적으로 조정한다.
• 이 방법은 시뮬레이션 데이터와 마이크로-아이지스 로봇 도구를 사용한 실제 실험을 통해 검증되었으며, 평가를 위해 레미니스케이트 경로가 사용되었다.

실험 결과

연구 질문

• RQ1 분석 모델과 데이터 기반 모델을 융합한 하이브리드 모델이 순수 분석 모델 또는 순수 데이터 기반 모델에 비해 힘줄 구동 수술용 로봇의 운동학 모델링 정확도를 향상시킬 수 있는가?
• RQ2 GPR에서 추정한 불확실성이 분석 모델과 데이터 기반 모델 간 융합 전략에 어떤 영향을 미치는가?
• RQ3 GPR 커널에 사전 지식(분석 모델)을 통합함으로써 일반화 능력 향상과 훈련 데이터에 대한 과적합 방지 효과가 있는가?
• RQ4 복잡한 비선형성을 보이는 실제 로봇 시스템에서 하이브리드 모델의 성능이 순수 분석 모델 및 순수 데이터 기반 모델에 비해 어떻게 비교되는가?
• RQ5 분석 모델의 정확도가 최종 하이브리드 모델 성능에 어떤 영향을 미치는가?

주요 결과

• 실로봇 데이터에서 하이브리드 모델은 x방향 RMSE가 0.009 m를 기록하여 순수 GPR 모델(0.011 m) 대비 40% 향상된 성능을 보였다.
• 하이브리드 모델은 x방향 최대 절대 오차를 GPR의 0.033 m에서 0.031 m로 감소시켜 더 높은 내구성을 입증하였다.
• 분석 모델과 실제 데이터 간의 오차를 학습하는 방식(GPR on residuals)이 테스트된 세 가지 GPR 변형 중에서 가장 우수한 성능을 보였다.
• 특히 높은 불확실성 영역에서 순수 GPR 모델보다 하이브리드 모델이 더 매끄러운 예측을 보였다.
• 분석 모델의 정확도가 최종 하이브리드 결과에 큰 영향을 미쳤으며, 낮은 정확도의 분석 모델은 전체 성능을 떨어뜨렸다.
• 모델 신뢰도와 데이터 기반 학습 간의 균형을 성공적으로 확보하였으며, GPR의 불확실성이 높을 경우 하이브리드 모델이 분석 모델을 우선적으로 선택하였다.