[论文解读] Multi-Axis Force Sensing in Robotic Minimally Invasive Surgery With No Instrument Modification

A. H. Hadi-Hosseinabadi, Septimiu E. Salcudean|arXiv (Cornell University)|Mar 20, 2021

Soft Robotics and Applications参考文献 42被引用 5

一句话总结

该论文提出了一种新型六维光学力传感器，安装于达芬奇外科手术钳的近端轴上，无需修改手术器械，利用双管套管与柔性叶片弹簧实现尖端力的隔离。该传感器在侧向力测量中实现了接近10%的精度，在轴向扭矩测量中实现了约6%的精度，通过基于模型和数据驱动的校准方法（采用浅层神经网络）进行了验证。

ABSTRACT

This paper presents a novel multi-axis force-sensing approach in robotic minimally invasive surgery with no modification to the surgical instrument. Thus, it is adaptable to different surgical instruments. A novel 6-axis optical force sensor, with local signal conditioning and digital electronics, was mounted onto the proximal shaft of a da Vinci EndoWrist instrument. A new cannula design comprising an inner tube and an outer tube was proposed. The inner tube is attached to the cannula interface to the robot base through a compliant leaf spring with adjustable stiffness. It allows bending of the instrument shaft due to the tip forces. The outer tube mechanically filters out the body forces from affecting the instrument bending behavior. A mathematical model of the sensing principle was developed and used for model-based calibration. A data-driven calibration based on a shallow neural network architecture comprising a single 5-nodes hidden layer and a 5x1 output layer is discussed. Extensive testing was conducted to validate that the sensor can successfully measure the lateral forces and moments and the axial torque applied to the instruments distal end within the desired resolution, accuracy, and range requirements.

研究动机与目标

• 在不修改现有手术器械的前提下，实现在机器人微创手术中的多轴力感知。
• 解决当前机器人手术系统中缺乏触觉反馈的问题，该问题限制了组织感知与力控制能力。
• 开发一种可适配多种器械类型且与临床工作流程兼容的传感器系统。
• 通过机械滤波与传感器设计，最大限度减少体壁力和抓握力的干扰。
• 通过结合基于模型与数据驱动的校准技术，实现高精度的力测量。

提出的方法

• 将带有本地信号调理与数字电子元件的六维光学力传感器安装于达芬奇EndoWrist器械的近端轴上。
• 提出一种新型双管套管设计，内管通过三臂叶片弹簧连接至机器人基座，允许器械在尖端受力时发生弯曲，同时有效隔离体壁力。
• 通过旋转内管调节内管的有效刚度，防止在最大侧向载荷下1.5 mm间隙闭合。
• 建立传感器机械行为的数学模型，用于基于模型的校准，捕捉器械插入过程中边界条件的变化。
• 采用数据驱动的校准方法，使用包含一个5节点隐藏层和一个5×1输出层的浅层神经网络，将传感器输出映射至力/扭矩分量。
• 通过外部参考传感器与受控加载装置进行校准，训练网络以适应真实世界中的力应用场景。

实验结果

研究问题

• RQ1 是否可以不修改手术器械，将多轴力传感器集成到机器人手术系统中？
• RQ2 如何有效滤除体壁力，以准确分离出器械-组织相互作用的尖端力？
• RQ3 与基于模型的方法相比，数据驱动的神经网络校准在多大程度上能提升力估计精度？
• RQ4 在不修改器械的前提下，抓握力与腕部驱动对力测量精度的影响如何？
• RQ5 该传感器是否能在所有六个自由度上实现临床级别的分辨率与精度（例如，达到人类可察觉差异JND水平）？

主要发现

• 传感器在0.5–200 N范围内侧向力的校准精度约为10%，与人类可察觉差异（JND）相当。
• 轴向扭矩测量精度最高，达到约6%，归因于传感器的最优灵敏度及其对支撑边界变化的不敏感性。
• 在分析模型失效的场景下（特别是捕捉抓握力影响等非线性效应时），数据驱动校准方法优于基于模型的方法。
• 经由覆膜测试验证，改进后的套管设计成功滤除了体壁力，证明了有效的机械隔离。
• 腕部操作测试表明，在俯仰与偏航轴上，抓握力对测量误差的影响比腕部驱动更为显著。
• 该传感器设计与达芬奇X和XI系统兼容，但因与无菌适配器接口干涉，不适用于旧款S/SI型号。