[论文解读] Fast and Reliable Autonomous Surgical Debridement with Cable-Driven Robots Using a Two-Phase Calibration Procedure

Daniel Seita, Sanjay Krishnan+4 more|arXiv (Cornell University)|Sep 19, 2017

Soft Robotics and Applications参考文献 19被引用 4

一句话总结

本文提出了一种用于缆索驱动手术机器人的两阶段标定方法，结合深度神经网络（DNN）进行粗略误差补偿和随机森林（RF）进行微调，将平均位置误差从4.55毫米降低至1.08毫米。该方法实现了快速、可靠的自主清创，可处理小碎片（如葡萄干和南瓜籽），成功率达94.5%，且速度比以往工作快2.1倍。

ABSTRACT

Automating precision subtasks such as debridement (removing dead or diseased tissue fragments) with Robotic Surgical Assistants (RSAs) such as the da Vinci Research Kit (dVRK) is challenging due to inherent non-linearities in cable-driven systems. We propose and evaluate a novel two-phase coarse-to-fine calibration method. In Phase I (coarse), we place a red calibration marker on the end effector and let it randomly move through a set of open-loop trajectories to obtain a large sample set of camera pixels and internal robot end-effector configurations. This coarse data is then used to train a Deep Neural Network (DNN) to learn the coarse transformation bias. In Phase II (fine), the bias from Phase I is applied to move the end-effector toward a small set of specific target points on a printed sheet. For each target, a human operator manually adjusts the end-effector position by direct contact (not through teleoperation) and the residual compensation bias is recorded. This fine data is then used to train a Random Forest (RF) to learn the fine transformation bias. Subsequent experiments suggest that without calibration, position errors average 4.55mm. Phase I can reduce average error to 2.14mm and the combination of Phase I and Phase II can reduces average error to 1.08mm. We apply these results to debridement of raisins and pumpkin seeds as fragment phantoms. Using an endoscopic stereo camera with standard edge detection, experiments with 120 trials achieved average success rates of 94.5%, exceeding prior results with much larger fragments (89.4%) and achieving a speedup of 2.1x, decreasing time per fragment from 15.8 seconds to 7.3 seconds. Source code, data, and videos are available at https://sites.google.com/view/calib-icra/.

研究动机与目标

• 解决由于缆索拉伸和滞后效应导致的缆索驱动手术机器人助手（如dVRK）中非线性位置误差的挑战。
• 开发一种成本低廉、离线的标定程序，提升位置精度，而无需复杂硬件或大量人工调参。
• 实现对小而光滑碎片（如葡萄干、南瓜籽）的可靠自主清创，这些碎片难以抓取和清除。
• 与以往的自主清创系统相比，实现更快的执行速度，将每个碎片的处理时间从15.8秒减少至7.3秒。

提出的方法

• 在第一阶段，dVRK的末端执行器（贴有红色胶带）执行随机开环轨迹，同时立体相机捕捉其位置和姿态，内部关节传感器记录基坐标系的配置。
• 训练一个深度神经网络（DNN），将基于相机的像素位置和离散化的SO(3)旋转映射到预测的基坐标系位置，以学习粗略的变换偏差。
• 在第二阶段，使用DNN预测的位置将机器人移动到打印的标定网格上的特定目标点，由人工操作员手动将末端执行器校准至真实位置。
• 利用第二阶段的残差误差训练一个随机森林（RF）模型，以学习更精细的校正偏差，从而提升精度。
• 将DNN+RF联合流程应用于自主清创任务，通过边缘检测在内窥镜图像中定位碎片。
• 系统使用夹持器提取碎片，通过逐帧分析运动阶段，识别执行速度中的瓶颈。

实验结果

研究问题

• RQ1 结合DNN和RF学习的两阶段标定程序能否使缆索驱动手术机器人的位置误差降低至1毫米以下？
• RQ2 所提出的标定方法是否能实现对小而低摩擦碎片（如葡萄干和南瓜籽）的可靠自主清创？
• RQ3 与以往处理较大、更易操作碎片的自主清创系统相比，该方法能否实现更快的执行速度？
• RQ4 与仅使用DNN或刚体标定相比，DNN与RF的结合如何提升性能？
• RQ5 碎片特性（如弹性、表面纹理）在多大程度上影响误差率和自主清创的成功率？

主要发现

• 未经标定的dVRK平均位置误差为4.55毫米，第一阶段（仅DNN）标定后降低至2.14毫米。
• DNN+RF联合两阶段标定将平均误差进一步降低至1.08毫米，实现了亚毫米级精度。
• 系统在120次葡萄干和南瓜籽的清创试验中取得了94.5%的成功率，超过以往使用较大碎片的结果。
• 每个碎片的平均处理时间降低至7.3秒，相比以往工作（每碎片15.8秒）实现了2.1倍的速度提升。
• 类型A错误（未能提取）从仅使用DNN时的28.33%（120次中4次）降低至DNN+RF时的0.83%（120次中1次），表明可靠性显著提升。
• 逐帧分析显示，“移动至容器”和“投放并旋转”阶段最慢，提示存在进一步优化速度的潜力。