[论文解读] Design and Control of a Highly Redundant Rigid-Flexible Coupling Robot to Assist the COVID-19 Oropharyngeal-Swab Sampling

Yingbai Hu, Jian Li+10 more|arXiv (Cornell University)|Feb 25, 2021

COVID-19 diagnosis using AI被引用 5

一句话总结

该论文提出了一种9自由度刚柔耦合（RFC）机器人，用于在COVID-19大流行期间实现安全、自动化的口咽拭子采样。该机器人配备微型气动执行器、力觉传感系统和视觉系统，采用变参数零化神经网络（VP-ZNN）实现实时运动规划，在物理约束和遮挡约束下，人体志愿者试验中实现了93%的识别准确率和小于0.2 mm的控制精度，采样时间低于20秒。

ABSTRACT

The outbreak of novel coronavirus pneumonia (COVID-19) has caused mortality and morbidity worldwide. Oropharyngeal-swab (OP-swab) sampling is widely used for the diagnosis of COVID-19 in the world. To avoid the clinical staff from being affected by the virus, we developed a 9-degree-of-freedom (DOF) rigid-flexible coupling (RFC) robot to assist the COVID-19 OP-swab sampling. This robot is composed of a visual system, UR5 robot arm, micro-pneumatic actuator and force-sensing system. The robot is expected to reduce risk and free up the clinical staff from the long-term repetitive sampling work. Compared with a rigid sampling robot, the developed force-sensing RFC robot can facilitate OP-swab sampling procedures in a safer and softer way. In addition, a varying-parameter zeroing neural network-based optimization method is also proposed for motion planning of the 9-DOF redundant manipulator. The developed robot system is validated by OP-swab sampling on both oral cavity phantoms and volunteers.

研究动机与目标

• 通过自动化口咽拭子采样流程，降低医护人员在采样过程中感染的风险。
• 通过使用柔性执行器实现柔软、顺应性且安全的采样，应对口咽腔的脆弱性。
• 为冗余的9-DOF机械臂开发一种满足多重约束（物理极限、运动中心点（OCC）、任务需求）的运动规划方法。
• 通过模型和人体志愿者实验验证系统的安全性、准确性和临床可行性。

提出的方法

• 9-DOF刚柔耦合机器人集成了UR5机械臂、微型气动执行器（MPA）、力觉传感系统以及RealSense D435i视觉感知系统。
• MPA是一种直径7.5 mm、可一次性使用的柔性执行器，可实现与口腔腔体的顺应性、低力交互。
• 基于Inception v4主干网络的Mask R-CNN视觉系统可从深度图像中检测口腔解剖结构（如扁桃体），在模型上识别率达到95%。
• 提出一种变参数零化神经网络（VP-ZNN），用于在线求解多约束优化问题，整合关节极限、任务空间轨迹和OCC约束。
• 机器人在笛卡尔空间中采用最小加速度曲线规划分段直线轨迹，同时将关节运动限制在物理极限和速度极限内。
• 系统采用快速连接的一次性MPA，并配有保护膜，以确保患者之间的无菌性。

实验结果

研究问题

• RQ1 冗余的刚柔耦合机器人能否在最小化临床人员风险的前提下，安全且准确地完成口咽拭子采样？
• RQ2 与刚性末端执行器相比，柔性顺应性执行器如何提升采样过程的安全性并降低损伤风险？
• RQ3 如VP-ZNN这样的实时优化方法能否有效处理9-DOF冗余机械臂的多重约束（物理极限、OCC、任务轨迹）？
• RQ4 该机器人在人体志愿者中的表现如何，具体体现在识别准确率、控制精度和采样时间方面？

主要发现

• 基于Mask R-CNN的视觉检测方法在人体志愿者中对目标采样部位的识别准确率达到93%。
• 在模型和志愿者实验中，控制精度均保持在≤0.2 mm以内，跟踪误差收敛至≤0.02 mm。
• 在模型上的平均采样时间为18 ± 2秒，在志愿者中的平均采样时间为20 ± 4秒，满足快速、标准化采样的目标。
• 平均采样接触力约为150 mN，表明与口腔腔体的交互安全且具有顺应性。
• RT-PCR检测结果表明，机器人采集的拭子样本质量高，96.67%的样本Ct值≤37（合格），与人工采样（100%合格）相当。
• VP-ZNN方法相比先前方法表现出更快的收敛速度和更小的误差，验证了其在实时约束优化中的有效性。