外科医生培训远程机器人手术通过半实物仿真器

文摘

这项工作提出了一种远程机器人手术安全软件和硬件框架和运动技能训练模拟器。的目标是提供学员全面模拟器获得必要的技能来执行远程机器人手术。现有的商用机器人手术模拟器缺乏对安全培训和最优运动规划、功能是至关重要的因素在确保患者安全,经营效率。在这项工作中,我们提出一种半实物仿真器直接引入这两个特性。该模拟器是建立在Raven-II™开源手术机器人,结合物理引擎和安全隐患喷射引擎。同时,快速行进树型动态规划算法来帮助学员学习的最佳仪器运动模式。这项工作的主要贡献是(1)繁殖安全隐患事件,有关达芬奇™系统,据报道,FDA莫德数据库,与小说触觉反馈策略,提供反馈给操作员当底层动力学不同于真正的机器人的状态以便操作员将意识到,可以减轻负面影响的安全性至关重要的事件,并使用运动(2)计划生成semioptimal路径在交互式机器人手术训练环境。

1。介绍

手术机器人领域已迅速扩大在过去的十年里(1]。符合手术的首选技术全球各种微创手术。基于仿真的学习和训练机器人手术,因为现在是一个标准医疗专业人员提高性能和减少错误通过综合医疗仿真(2,3]。模拟可以在学习机器人手术技能的桥梁意外伤害病人。例如,LapSim触觉系统™是一个腹腔镜手术模拟器与实际的硬件接口和触觉反馈,主要用于近场nonteleoperated手术培训(4]。等其他商业市场上手术模拟器模拟的dV-Trainer™(5)和模拟手术系统的罗斯(6)提供基本的运动技能训练模块使用虚拟现实与外科医生控制台类似于达芬奇手术系统,提供逼真的模拟和帮助外科医生做准备。图1显示这些模拟器的配置文件。仿真手术训练的一个关键问题是缺乏高安全性的事件场景仿真课程时,在将这种形式的手术是至关重要的教育实践。目前手术模拟器专注于更好的图形渲染和课程目标成就(成功到达目标而忽略中间运动模式),而不是真正的机器人动力学运动以及教学的外科医生最优运动模式和路径在一个obstacle-surrounded环境。

我们之前研究的不良事件报告给美国食品和药物管理局(FDA)设施设备制造商和用户体验(莫德)数据库显示,尽管机器人手术技术的重大改进这些年来和更广泛的采用机械方法,有不断出现的安全事件对患者造成负面影响。受伤和死亡事件的数量每过程自2007年以来一直保持相对稳定,平均每100000人83.4事件的程序(7]。虽然,这些事件往往造成的意外故障或技术问题与机器人和陡峭的学习曲线,它也表明,手术机器人可以受到恶意的网络攻击,影响手术病人安全与进步8,9]。当前机器人手术技术的能力自动减轻安全事件的影响仍然落后于其他安全性至关重要的行业,如商业航空。在这些行业,努力已经花了多年来改善安全措施,提供全面的基于仿真的训练,包括操作的安全性至关重要的失败(10]。在当前机器人外科医生培训,重点是提高手术技能,而不是处理安全性至关重要的事件和应对技术问题。不良事件或意外的机器故障很少作为潜在的场景中使用外科手术团队的安全培训。

在这项工作中,我们的想法是出于模拟安全隐患(11,12]在机器人手术训练以外科医生准备处理安全性至关重要的事件。目标是开发一种半实物仿真平台,模拟现实的安全隐患的场景在一个虚拟环境和提供的意识阻碍危害通过触觉力反馈给操作员。在这项工作中,我们使用Raven-II [13)手术机器人的硬件操作符将被训练。以前的研究已经表明用户训练乌鸦平台可以转移他们的技能达芬奇系统(14]。我们开发了一个robot-environment交互模型使用物理引擎作为机器人的名义状态估计量(无故障的运行),同时负责与Raven-II机器人硬件。我们还开发出一种安全隐患喷射式发动机,故意和人为造成的不良事件故障插入机器人控制系统使用Software-implemented故障注入(SWIFI) [15]。后的故障注入到控制软件系统的自动执行安全检查增加的机会,他们造成的安全隐患。

SWIFI的主要目的是验证容错机制的有效性通过研究系统行为的模拟的缺点。在这里,我们使用基于软件的故障注入技术来模拟人类操作员的安全隐患,使评估性能和响应在基于仿真的训练安全隐患。故障注入和网络攻击的安全至上的系统中,如智能电网(16- - - - - -18汽车嵌入式系统[],19),和机器人车辆(20.,21),已被许多研究的主题。他们提出了攻击场景,直接目标的物理系统,控制命令发送到物理系统,或者从物理层接收传感器测量网络世界的腐败的状态控制器(假数据注入攻击)。在这项工作中,我们使用目标机器人控制系统故障注入和腐败控制命令以合法的方式,不是被机器人的安全机制。在我们之前的工作中,我们表明,这些注射可能导致意外和突然的跳跃机器人的手臂和机器人操作和患者安全产生负面影响在几毫秒,难以自动机制和人类操作员及时做出反应。因此,实时检测和响应机制外科cyber-physical系统优化和部署在这样一种方式,可以减轻问题的影响和恶意的命令之前,他们甚至在物理层中执行(8]。

在[22),作者证明内容修改攻击双边遥操作系统和使用Lyapunov-based分析得出这样的结论:如果发送速度不等于位置的导数,然后是一个静态的攻击(线性定常系统修改美国使用收益)。他们的方法但是可能遭受灵敏度模型准确性,因为所有基于模型分析是基于李雅普诺夫分析。为用户提供使用触觉力触觉信号计算基于期望之间的差异和实际提出了奴隶机器人末端执行器的位置在23]。为乌鸦机器人遥操作使用可互操作的遥控机器人协议(24)发送增量而不是从主人的奴隶和绝对运动命令人类操作员控制回路中的正确位置错误。在过渡阶段,跟踪误差之间实际的奴隶机器人末端执行器的位置和所需的位置;因此,比较两个生成触觉反馈不可能准确地完成。我们解决这个问题通过开发一个物理机器人的动力学模型(一个虚拟机器人)作为底层状态监控。模型和机器人接收相同的运动命令从主,我们用他们的国家差别创建触觉反馈。

新手训练的外科医生时,他/她可以通过观察或获得某种意义上的最优感知(通过触觉)机器人的自动化任务的执行。运动可以通过减少一定的成本计划的优化功能。相关工作在这一领域专注于自动化的一些真正的手术场景符合手术在不同类型。Weede等人在25)引入了一个自动摄像系统包括预测的干预措施,提供一个长期的预测步骤外科医生将执行在接下来的几分钟,将内窥镜移到一个最佳的位置。结合视觉技术,自动定位,自动检索取得了手术器械(26,27]。周润发等人在28]表明vision-guided自治各种各样机器人手术有可能成为比人类更快的性能。凯赫等人在29日)发布了第一个可靠的自主机器人手术子任务的性能,也就是说,消除组织使用Raven片段,通过生成通过三维传感和集中的运动计划trajopt、低级的运动规划算法基于相邻凸优化计划的局部最优,无碰撞轨迹同时双臂。胡锦涛等人在[30.]研究了机器人的路径规划和半自动的运动场景消融肿瘤残留在各种形状使用Raven机器人,和不同的指标被送到外科医生选择候选路径规划。nonlaparoscopic类型的机器人手术,例如,在针转向社区,一直努力在手术机器人手术针类型预先计划(31日,32在模拟环境中,并演示了33]。

在这项工作中,我们提出一个全面的软件框架远程机器人手术模拟器。模拟器包括一个失败场景生成模块模拟失败手术期间通过故障注入。这些失败场景可以训练的外科医生认识到通过触觉提示手术期间的不良事件。最优轨迹生成的快速行进树(FMT)算法为Raven-II平台设计交互式速度也将帮助学员获得一个最优操纵手术器械。

2。材料和方法

2.1。模拟器框架

我们设计模拟器系统基于Raven-II手术机器人,一个开源的平台上运行的机器人操作系统(ROS)。开发一个手术模拟器高保真再现不良事件,我们包括机器人硬件模拟器的执行循环,集成安全隐患喷射式发动机(8)和一个物理引擎模拟机器人动力学和与环境的交互。模拟器系统架构如图2。Raven-II是一个遥控外科机器人使用本地计算机之间的网络通信在外科医生的控制台一边乌鸦和远程计算机。模拟器运行在本地机器上,执行碰撞动力学和计算。两个幻影Omni设备接收来自运营商的增量运动命令然后发送数据到本地计算机和远程计算机通过UDP / IP。虚拟乌鸦机器人和3 d培训环境是外科医生的控制台的显示在屏幕上。通过c++ OpenGL图形渲染管道30赫兹的频率,而其他的计算,例如,触觉循环和物理引擎和网络数据传输,使用多个线程同步和运行在1000赫兹,也就是乌鸦的运行频率的控制回路。

外科医生控制台之间的连接和Raven-II双边网络通信系统半实物仿真器如图2。一个方向传输Omni命令数据从本地计算机远程乌鸦系统,而另一个方向发送机器人状态数据(关节位置和速度)回本地机器使用TCP / IP套接字连接可靠性和使与动力学计算结果的物理引擎线程。触觉力反馈提供给运营商如果虚拟和真实的乌鸦的末端执行器的轨迹不匹配预定义的阈值(上图)。因为完美的透明度(主设备力/力矩匹配奴隶的末端执行器的力/力矩)是不可能的,尤其具有挑战性与重要的非线性动力学和遥控操作器没有任何力量传感器安装在机器人末端执行器,我们利用触觉功能安全建议,而不是手术触诊。因为触觉设备传感器/致动器不对称会导致不稳定和鲁棒性问题,我们应用一个弹簧阻尼模型与合适的反馈力计算收益和饱和度。

模拟实际手术安全隐患,我们把机器人控制软件的安全隐患喷射式发动机战略将故障插入控制软件在关键时刻,在操作过程中(8]。更明确,注入故障腐败Omni命令或运动控制命令发送到乌鸦硬件在乌鸦安全检查完成后软件机器人的电脑,这是显示在图2。结果,意想不到的机器人运动将产生错误与底层模型动力学轨迹。然后,我们展示了运营商可以获得的认识错误的机器人轨迹通过触觉力反馈的缺点。

超出基本运动技能的能力培训和模拟不良事件,有附加功能在我们的模拟器,可以帮助提高外科医生的性能在实际手术。例如,在某些情况下,最好让医生做一个虚拟试验,而不是实际操纵机器人。我们的模拟器的重要功能之一就是允许用户脱离实际的机器人做一个试验运动模拟器的虚拟环境和虚拟运动的结果。如果结果是令人满意的,那么实际的机器人可以提醒学生跟踪记录命令轨迹数据和自治的方式移动。用户还可以使用路径规划指定目标配置机器人的手臂,然后它会自动生成路径点机械臂的轨迹跟踪。脚踏板放置外科医生的一侧,使机器人遥操作模式和纯仿真模式之间切换(被脱离机器人硬件)和切换视图之间真正的外科领域和虚拟环境。

2.2。机器人动力学建模和训练场景

在我们以前的工作,我们模拟动力学、数值积分运动方程导出了欧拉(E-L)方法(34]。这种方法提供了很少的自由模拟与环境的相互作用。在这项工作中,我们将一个物理engine-Open动力学引擎(ODE)模拟器,模拟动态行为的机器人和机器人机械手与环境之间的相互作用。歌唱是一个开源、高性能库,它依赖于一个线性互补问题解算器解决(LCP) [35]。机器人仿真、颂歌被广泛用于各种各样的应用程序(36,37]。

在[34),我们获得了由E-L运动方程,确定了机械性能通过CAD模型的链接。在颂歌的设置中,我们直接指定每个链接网属性和共同的属性,这样我们就能达到相同的机器人运动(34(没有冲突)。此外,颂歌有能力做碰撞检查原始对象之间或网格,使用接触摩擦模型应用接触力,使模拟互动的可能性。

培训场景中,我们使用训练模型广泛应用于机器人手术的基本面(FRS)组织的机器人手术技能教育、培训、评估和验证程序(38]。使用训练模型的目标可以在找到38]。具体地说,在我们的模拟原型,我们做了一个小修改原始模型(挤压削减一半的顶部盖子),乌鸦机器人手臂可以插入腔来执行任务,也就是说,捡一个立方体最初环放置在空腔。操作员操作机器人手臂会用于3 d遥控操作,拿起戒指,把它从一只胳膊,和导航的环循环。上述运动技能训练场景可以做半自治的方式使用快速行进树(FMT-)基于路径规划(如果只涉及一个手臂运动,双手臂运动情况下可以分为一只手臂运动其次是另一个)。

2.3。FMT基于路径规划

规划师利用FMT的道路算法中,““表明最优成本标准。一个开关脚踏板用于激活路径规划功能。在计划模式下,用户需要使用主设备控制奴隶机器人在仿真环境中达到一个目标配置。在此阶段,碰撞检测是禁用的,只是纯粹的运动运动执行。一旦路径规划的目标配置,它将开始计算动态可行轨迹的运动计划和执行的手臂以交互式的利率(只有几秒钟的运动计划和执行计划、职责)。

腔的FRS训练模型用于模拟人类的腹部(图3),里面卷很约束,因此,需要非常好的机器人末端执行器的运动。最好的手术器械(机器人手臂)自动检索之前或之后插入或外科手术。Raven-II机器人有两个相互独立的仪器武器装配和控制而言,每个有7个自由度(自由度)和六个转动关节+ 1平移。在高维空间中,sampling-based路径规划算法可以有效地探索配置空间采样无碰撞配置根据概率分布(在这个工作,统一使用可行的关节空间抽样)。迅速探索随机树(RRT)和概率路线图法(PRM)及其变体在机器人路径规划已成为普遍应用和文学在过去十年,特别是当RRT和人口、难民和移民事务局正式的最优证明(39]。在[39),结果表明:人口、难民和移民事务局和RRT是证明地渐近最优,即返回的解收敛的成本几乎肯定最优。然而,构建RRT树或连接人口、难民和移民事务局边缘需要广泛的碰撞检查。在我们的例子中,三角形网格之间的碰撞检查将严重损害性能。最近,一个新的概率称为快速行进树(FMT sampling-based规划算法了(40]。该算法是专门针对解决复杂高维配置空间运动规划问题。这个算法被证明是渐近最优,证明收敛于最优解的速度比最先进的同行,即人口、难民和移民事务局和RRT。然而,牺牲是懒洋洋地跳过碰撞检查在评估本地连接。这个懒惰的碰撞检查策略可能会引入理想连接,但FMT的关键属性是这种理想连接成为近乎样本数趋于无穷。在低收入和高维基准问题测试(40]跨各种问题的实例,包括在障碍杂乱和维度从2 d - 7 d,它表明FMT人口、难民和移民事务局等优于最先进的算法和RRT,通常以明显的优势。的加速效果尤为突出在更高的维度和场景的碰撞检查是昂贵的,这正是sampling-based算法excel的政权。在这项工作中,我们利用FMT的优点算法来实现运动的目标计划和执行任务。

2.3.1。假设

在设计的道路使用FMT规划师算法,我们提出以下两个假设:(1)解耦控制和联合运动。Raven-II机器人使用cable-driven机制,因此仪器手臂的关节运动不仅影响一个直流电机。接近末端执行器,将涉及更复杂的耦合运动。在我们的颂歌模拟环境中,我们没有模型电缆耦合行为,我们假设每个驱动器只控制一个关节运动。(2)抓紧器固定孔径角。每个抓紧器由两个下巴,因此有两个自由度。我们可以认为大白鲨是两个独立的自由度或考虑它们作为一个部分,然后有一个自由度的中心线抓紧器,另一个景深会抓紧器的孔径角,和这两个表示运动学上地等价的。在某些情况下,当抓紧器持有一些对象(如立方体环握在我们的训练场景),我们想保持孔径角不变。在我们的路径规划,我们只考虑六个自由度,而不是7。

2.3.2。问题陈述

正如上面提到的,在这个工作中,我们考虑一条手臂的运动规划问题,左手或右手,因为双手臂的规划问题可以被视为移动手臂。这种简化会大大降低计算成本。Raven-II手术机器人的运动规划问题在外科训练环境中可以表示如下:(我)输入:手术环境和Raven-II机器人机器人所描述的网格文件对象,初始配置动臂(无碰撞)启用了路径规划时,目标机器人配置同样的手臂(无碰撞)指定的用户,无碰撞配置,连接半径(2)输出:一个可行的无碰撞运动计划包括锚点为一只胳膊轨迹和每个路标是6-dimensional向量包括6个关节的位置。

注意运动两个中间路径点之间的动态是可行的和自由的碰撞。如果没有开始和结束之间的路径配置,该算法在有限时间终止。

2.3.3。FMT算法

我们认为这对一个机器人的手臂规划问题。动态规划的目标是找到一个可行的无碰撞路径同时最小化总成本函数: 在这在关节空间是一个可行的路径,的弧长是吗关于欧几里得度量,末端执行器的线性加速度, 两个用户定义的系数对体重的影响路径长度和速度的变化。FMT的算法中描述的算法1。

的描述函数(如SampleFree,附近,并保存)在FMT算法中描述(40]。手术规划,我们应该确保在连接两个锚点的道路上,没有发生碰撞和末端执行器的速度是光滑的,也就是说,没有牛肉干在机器人关节运动。对于评估两个锚点的连通性,而不是简单的线性或非线性篡改的运动学水平测试,我们把机器人动力学的颂歌和使用它作为预测测试是否通过从一个配置转移到另一个发生了碰撞。这是最昂贵的部分实现。

类似于RRT和人口、难民和移民事务局,FMT还需要显式地指定半径在考虑相邻样本实现渐近最优性,给出的(3)(40]。我们可以写 对于一些积极。在我们的实现中,我们归一化所有关节位置[0,1]区间的均匀采样。然后计算一个保守的使用蒙特卡罗模拟来找到d维勒贝格测度的无碰撞配置对所有可能的配置。

试图获得无碰撞样本之前,决策模块将决定哪个部门应该和调用相应的FMT移动,因为这两种武器略有不同的转换和运动学链(41]。

这与机器人动态路径规划框架下,关节控制在每个时间步也可以获得作为副产品的碰撞检查当试图连接两个样本。可行的路径计算后,我们可以应用联合控制在每个时间步明确或通过反馈控制来执行计划如下一个轨迹问题。自第一个选项是开环,误差会随着时间的积累。因此,我们将使用PD控制器对每个联合跟踪期望的轨迹在关节空间运动计划在执行自动在模拟器和关节位置发送到乌鸦电脑通过互联网如果真正的机器人运动也需要进行。

2.4。触觉力反馈弹簧阻尼模型

在本节中,我们提出了触觉力反馈机制。利用触觉设备遥控手术机器人有潜力提供皮肤(触觉)和动觉(力)信息在探索或操作一个对象或环境。最好的作者的知识,即使是最新的商业手术系统(达芬奇Xi)没有触觉反馈功能。在机器人手术,触觉反馈是有用的在遥控触诊(42,43]。除了这个应用程序,我们预计,触觉反馈也可以提供额外的但关键信息操作员对系统的状态之前,有些不确定的事件发生,积累的错误在某种程度上,系统采取紧急停止。人类感知,我们的触觉渲染循环也在模拟器上运行在1000赫兹,否则,用户可以感知力不连续和富达(损失44]。

我们发送ROS联合州发表在《乌鸦的计算机通过网络模拟器。从物理引擎(ODE)线程,我们提取速度。我们计算通过使用空间机械手末端执行器的速度雅可比矩阵转换:

末端执行器位置计算通过机器人的正运动学链和模型使用关节位置,如图所示 在哪里显示机器人的正运动学链(41]。然后,触觉力提供的操作符

和力方向的触觉装置

在此设置中,如果一个不良情况发生,或意外的机器人的移动方式,触觉设备将为操作员提供触觉提示。这提供了阻碍危害的意识,使操作员采取行动或纠正机器人行为基于模拟器的内部模型。

2.5。安全隐患注入

我们的模拟器中的安全隐患喷射式发动机使用基于软件的故障注入技术再现真实手术期间观测到的安全隐患。这使得外科医生评估性能和响应的安全隐患和准备的最好的回应行动的事件。

根据我们近1500事故的初步审查报告从FDA莫德达芬奇外科系统数据库中,我们确定了三类常见的安全隐患情况如表所示1。我们通过注入故障模拟这些场景乌鸦控制软件在训练场景。危害的可能的原因可能包括意外在机器人硬件或软件故障,无意人类操作员错误,或故意恶意攻击机器人的控制系统。对于每一个安全隐患,表1显示了潜在的意外原因(第3列)和影响病人和手术团队(列5)基于代表性例子真正的事件报告给FDA莫德数据库。病人影响代表临床场景和响应行动的机器人外科医生应该被训练。

安全隐患喷射式发动机由定制的模块(a)检索危险场景,(b)生成软件故障注入运动并选择故障注入策略,(c)进行故障注入实验,(d)日志记录和收集数据的自动化(12]。的注射控制器负责启动、停止和自动化的故障注入。在正常活动执行,安全隐患的情况下图书馆构建基于访问不良事件的分析来检索所需的风险场景列表。那么因果因素导致每个所需的风险场景模拟通过选择故障注入参数。每个风险场景包括一个可能不安全的控制作用和潜在的因果因素的列表。不安全的控制动作一个例子将是一个电机控制软件提供的命令不匹配时机器人的软件和硬件状态。错误的软件和硬件之间的通信(例如,通过USB)是一个因果因素可能导致这种不安全的控制动作(见第三个例子在表1)。基于因果因素参与每个危险场景,乌鸦的分析源代码和软件/硬件架构故障注入策略软件功能模块检索信息可最有可能模仿的因果因素导致安全隐患,以及这些功能的关键变量及其正常操作范围。这个信息是翻译使用的参数是喷油器故障模拟潜在的因果因素。软件故障注入参数包括位置功能,触发或条件故障应该注射,注射和目标变量被修改的表4(见列1)。最后,适当的software-implemented断层喷油器和机器人软件执行期间进行故障注入实验训练场景。在每个注射,注射参数和数据收集进行进一步分析。更详细描述的安全隐患喷射引擎,是指我们的以前的工作12]。

3所示。结果与讨论

我们目前的实验评估本节所提出的半实物仿真器。主要有两个部分:(1)模拟的安全隐患及其检测和(2)运动规划与FRS模型在训练环境。

3.1。无故障的和无接触充电成为竞选模型验证

在这部作品中,对所有7自由度机器人动力学建模,在歌唱的环境中,而只有3自由度建模(45]。从关节转矩动态模型联合状态,忽略了汽车动力学和电缆的紧张关系。这样做的原因之一是,电缆耦合模型中引入了不确定性和电缆张力不均匀性的行为。在我们的实验中,我们加强电缆尽可能紧前测试。另一个原因是,该系统以1000赫兹的频率运行,使利润非常小甚至重计算,并引入一个小时间延迟,将会导致系统不稳定。虽然动力学计算的外科医生控制台机器而不是乌鸦电脑,我们仍然不想违反时间限制在每个控制回路。

关节转矩矢量控制器的输出是基于预期的关节位置通过逆运动学和当前关节位置。PD控制器用于关节1,2,4,5,6,7,PID用于关节3,该工具插入平移关节。一组手动调整PID增益使系统密切跟踪所需的共同立场,同时保持关节转矩/力量在一定范围内。这意味着该模型表现得像机器人,而不是一个系统的低阻尼和足够快来跟踪参考信号。图4显示了运营商提供的任意运动的轨迹(黑色),内部的物理引擎(动态模型)计算(红色),和真正的机器人轨迹(蓝色)左边的前五个关节机械臂(右胳膊是相同的左臂的建模和控制)。通过正运动学链,一个人可以获得末端执行器的位置误差。图4显示了轨迹的不同部分(用虚线分隔)对应于不同的遥控操作比例因素,分别从0.05到0.2,0.05的间隔时间。与更大的运动扩展因素,错误也会增加,因为关节4和5的建模误差更为敏感的比例因子。这些结果验证模型的准确性在颂歌的环境中,而真正的机器人轨迹。

3.2。机器人软件的故障注入

许多危险的场景表所示1可能会导致意想不到的仪器运动和突然的跳跃。在本节中,我们使用安全隐患喷射引擎引发错误的命令在网络层和软件硬件通信层(8]。更具体地说,模拟产生的安全隐患情况,我们腐败的运动命令发送给机器人的硬件和Omni命令发送到乌鸦的电脑,在图所显示的数字2。

在实验的设置中,我们在歌唱禁用碰撞检查,也就是说,我们并不认为硬碰撞发生的情况,将影响机器人动力学太多。我们注入周期性故障(i)的第一个(肩膀)联合机器人(Raven-II强电缆)和(2)运动命令数据在网络层传输从本地机器乌鸦电脑,虽然模拟器接收最初的“干净”的泛光灯输入。在第二种情况下(在图2),很明显,收到损坏的期望状态数据,机器人也会跟着不正确的轨迹,最终偏离所期望的轨迹运算符。从无故障的运行结果如图4,我们设置的阈值时触发触觉力反馈模型和机器人之间的末端执行器的位置偏离超过3毫米。在本节中,我们主要专注于模拟和分析产生的不良事件在第一种情况下(即。,注入周期性故障电机命令)。

3.2.1之上。模拟突然跳

在机器人手术,许多报道不良事件可以分为意想不到的关节运动在一个小的时间间隔,即突然跳(第三场景表1)。虽然因果关系可以很多,我们能够复制这类不良事件,让外科医生在训练阶段,通过使用我们的半实物仿真器注册安全隐患喷射引擎。我们使用触觉力反馈立即向操作员提供信息,以便他们能够应对不良事件尽快释放脚踏板等紧急措施解除机器人和触发汽车优惠(避免病人伤害)。模拟机器人跳跃,在遥操作运行模式,我们注入恒定的运动命令(可以是零或零,但在有效范围内电机的DAC命令)在指定的时间段肩关节。跳转的潜在原因的积累位置错误,因为控制器生成大转矩命令来追踪所需的位置一旦机器人回到名义运行。

图5显示了我们半实物模拟运行的结果与故障注入器。在这个场景中,每8秒后踏板(遥控操作模式),安全隐患喷射引擎腐败运动命令发送到肩关节和保持300年的断层活动周期(300毫秒)。可以观察到突然跳行为发生在关节1概要图5。突然跳可以发生很多次(在这个实验中,4次),而运营商可能不会注意到他们因为时间很短(几毫秒)。这种突然跳如果发生几次过程期间,他们将没有留下任何印象给操作员,他甚至可能觉得这是他自己的错误。然而,突如其来的动作/跳可能发生由于硬件问题(见表1)。机器人的安全机制来监视机器人状态和检测等缺点,但在我们的故障注入实验,我们证明了机器人能跳经常在不触发机器人的安全机制(8,12)(例如,机器人停止在最后跳由于计算电机控制超出了限制)。

图6显示的大小触觉力反馈提供给Omni设备使用(5)。结果表明,我们占领了不良事件在次故障注入进行并提供反馈给用户。触觉力是饱和的范围不会干预正常的遥操作由于被动和高阻尼的人类操作员。当一个外科医生面临这样的场景在现实手术,可能的缓解策略包括减缓运动或释放踏板松开主人和奴隶和调用技术帮助在医院(见表的最后一列1)。

3.3。测试结果在路径规划

在本节中,我们评估提出Raven-II模拟器的性能与物理引擎的集成和路径规划。我们在本地执行所有的测试,也就是说,模拟器软件和Omni客户端软件运行在同一个Windows 7台机器,与英特尔酷睿i7处理器@ 3.50 GHz,避免造成的时间延迟长途通信在网络上。对于所有的测试,颂歌中使用的步长是0.001秒。

最初,机器人手臂放置深深地在FRS训练模块。测试场景是实现检索机器人手臂的运动序列的第一个外科领域,然后前进到立方体戒指。开幕式的穹顶不配合轴心点(黄色球体在图所示3机械臂的);因此,很容易发生碰撞与圆顶或循环。用户被要求激活的规划模式,这意味着他可以直接操纵臂通过任何手段达到目标与碰撞检查禁用。一旦他到达目标配置,规划师将记录这个配置并开始运行规划算法。我们评估性能对于不同的目标函数,无碰撞样本的数量,和算法执行时间。

选择500样品无碰撞路径规划,图7显示了末端执行器(两个大白鲨)的质量中心用户的运动轨迹在指定目标配置(红色),最小化6-dimentional路径长度(绿色),并减少末端执行器线速度变化(蓝色),分别。他们的路径跟踪结果而不是路径点的规划结果。我们记录路径点其他循环时间的颂歌仿真回路,这样他们会更清楚地显示在图中。锚点的密度表明速度。稀疏的意味着速度大而更密集的路径点意味着速度相对缓慢。在我们的测试场景中,对一个新手来说很难找出一种无碰撞路径到达立方体环的位置而操纵机械臂。所以在我们的互动路径规划设置,允许碰撞仅仅为用户快速达到目标配置。通过选择 我们有一个较小的路径长度(规划师返回36路点),而通过选择 我们有一个较小的路径速度变化(规划师返回54路点)。

接下来,我们比较使用不同数量的无碰撞的规划性能样本和验证算法能收敛到最优的成本函数。在这个测试场景中,我们选择 如图8,我们注意到,随着样本数量的增加,成本变得越来越小,算法运行时间变得更长时间由于重计算的for循环算法。

表2显示了算法的性能 和自动跟踪性能。每个测试场景运行计划算法和自动跟踪的20倍的平均结果。在表2”,返回参考路径点”意味着FMT返回的路径点的数量,从一个位置到另一个计划阶段的动态是可行的。然而,随着样本数量的增加,道路变得更短,因此在路径跟踪,它将接近障碍(圆顶的墙),导致较低的成功率(更多碰撞的机会)。解决这个问题的一个方法是在成本函数包括额外的术语的净空距离最大化。在这个培训设置,规划时间和执行时间是可以接受的,如果使用适当数量的样品开始算法。

4所示。结论

我们演示了一个通用框架符合手术模拟器更具活力和弹性的机器人手术。的目标提供高保真手术模拟训练,我们创建了一个半实物仿真平台。我们集成模拟器物理引擎和一个先进的路径规划算法,帮助外科医生获得一个最优的操纵机器人辅助臂,实现手术机器人的自主运动。我们集成安全隐患喷射引擎结合模拟器软件复制安全隐患发生在真正的手术。触觉力反馈机制旨在提供外科医生一个额外的形式的机器人状态信息时发生了意想不到的运动。向医生提供安全警报的触觉技术是一种有效的方式获取这样的事情但需要额外的人为因素的研究。

未来的工作包括提供触觉反馈指导操作员沿着预先计划的最优路径执行训练任务,例如,使用钳子抓住一个戒指。由于当前操控机制使用增量运动的主人和映射到奴隶机器人的末端执行器来解决两种不同工作空间的主人和奴隶(因此使用踏板松开/参与和重新配置主),我们可以提供视觉和音频提示操作员一旦方法触觉装置的工作空间边界。用触觉力指导,我们相信我们可以进一步减少需要监督的外科医生在训练专家。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这部分工作是由美国国家科学基金会支持下奖号。中枢神经系统13 - 14891和中枢神经系统通过JUMP-ARCHES 15 - 45069和格兰特(应用研究通过工程和仿真)社区卫生项目解决手术机器人的安全性和可靠性。这个项目进行了卫生保健工程系统中心在伊利诺斯州。

引用

1. g . Spinoglio机器人手术:当前应用程序和新趋势施普林格,2015年。视图:出版商的网站
2. m . Passiment h .麻袋,黄g .医学模拟医学教育:一个对象为调查的结果,2011年。
3. y奥田硕、e·o·布赖森和大肠,“模拟医学教育的效用:证据是什么?”西奈山医学杂志》上,卷76,不。4、330 - 343年,2009页。视图:出版商的网站|谷歌学术搜索
4. http://surgicalscience.com/systems/lapsim/haptic-system/。
5. http://www.mimicsimulation.com/products/dv-trainer/。
6. http://www.simulatedsurgicals.com/ross.html。
7. h . Alemzadeh j·拉曼:莱韦森,z Kalbarcyzk,和r·k·艾耶”机器人手术的不良事件:14年的食品及药物管理局数据的回顾性研究,“《公共科学图书馆•综合》,11卷,不。4、1、2014页。视图:谷歌学术搜索
8. x h . Alemzadeh d . Chen Li t . Kesavadas z . t . Kalbarczyk和r·k·艾耶”有针对性的攻击遥控手术机器人:动态模型检测和缓解,”46 IEEE /联合会国际会议上可靠的系统和网络(DSN),第406 - 395页,2016年。视图:谷歌学术搜索
9. t . Bonaci j·赫伦,t·优素福,j .严t . Kohno和h . j . Chizeck”让一个机器人安全:一个实验分析,针对遥控手术机器人的网络安全威胁,”2015年,http://arxiv.org/abs/1504:04339。视图:谷歌学术搜索
10. f . f . Bilotta s . m . Werner s . d . Bergese和g . Rosa”影响和实现安全的基于仿真的训练。”科学世界杂志652956卷,2013篇文章ID, 6页,2013。视图:谷歌学术搜索
11. z h . Alemzadeh d . Chen Kalbarczyk et al .,”一个软件框架,模拟机器人手术系统的安全隐患”特刊医疗网络物理系统研讨会,12卷,p。2015。视图:谷歌学术搜索
12. h . Alemzadeh d·陈,a .刘易斯et al .,“Systems-theoretic远程机器人手术系统的安全评估,”第34国际会议上计算机安全、可靠性和安全性(SAFECOMP),第227 - 213页,2015年。视图:谷歌学术搜索
13. http://applieddexterity.com/。
14. d·格拉斯曼l .白色,a .刘易斯et al .,”乌鸦达芬奇手术机器人培训准备,”医学与虚拟现实21卷,第141 - 135页,2014年。视图:谷歌学术搜索
15. M.-C。松林,t·k·蔡,r·k·艾耶“故障注入技术和工具,”电脑,30卷,不。4、75 - 82年,1997页。视图:出版商的网站|谷歌学术搜索
16. y . Mo, t .周宏儒。金,k Brancik et al .,“Cyber-physical安全智能电网的基础设施,”IEEE学报》,卷100,不。1,第209 - 195页,2012。视图:谷歌学术搜索
17. m·勒梅和c·a·冈特“累积认证为嵌入式系统内核,”14日欧洲会议程序在计算机安全研究,第670 - 655页,2009年。视图:谷歌学术搜索
18. h·林,a . Slagell z Kalbarczyk,·萨奥尔和r·艾耶”运行时语义安全分析检测和减轻电网,控制好相关袭击”IEEE智能电网,2016年。视图:出版商的网站|谷歌学术搜索
19. k .科施a . Czeskis f . Roesner et al .,“实验安全分析的现代汽车,”IEEE安全和隐私(SP)研讨会上,第462 - 447页,2010年。视图:谷歌学术搜索
20. t . p . Vuong g .卢卡,d . Gan“绩效评估cyber-physical入侵检测的机器人车辆,”IEEE国际会议上计算机和信息技术;无处不在的计算和通信;可靠的,2015年。视图:谷歌学术搜索
21. t . p . Vuong g .卢卡d . Gan和a . Bezemskij“决策树的拒绝服务和命令注入攻击检测机器人车辆,”IEEE国际研讨会信息取证和安全(如),2015年。视图:谷歌学术搜索
22. y盾:古普塔,n . Chopra”内容修改攻击在双边遥操作系统,”美国控制会议(ACC),2016年。视图:谷歌学术搜索
23. z Ju, c·杨,李z l . Cheng和h·马,”巴克斯特人形机器人的遥操作使用触觉反馈,”国际会议在多传感器融合和信息集成智能系统(MFI),2014年。视图:谷歌学术搜索
24. h·h·王,b . Hannaford, k . w .郭et al .,“插拔大会2009:全球互操作性在遥控机器人和远程医疗,”IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”,2014年。视图:谷歌学术搜索
25. o . Weede h . Monnich b·穆勒和h .穿,“一个聪明的和自主内窥镜微创手术导航系统,”IEEE机器人与自动化国际会议上,2011年。视图:谷歌学术搜索
26. a·a·纳瓦罗,a . Hernansanz e·a·Villarraga x Giralt,和j .阿兰达”自动定位微创的手术器械通过运动分析建立机器人手术,”IEEE / RSJ智能机器人和系统国际会议,2007年。视图:谷歌学术搜索
27. a . Krupa j . Gangloff m . de Mathelin et al .,“自动检索和定位使自动化腹腔镜手术的手术器械使用视觉伺服和激光指针,”IEEE机器人与自动化国际会议上,2002年。视图:谷歌学术搜索
28. D.-L。Chow, r·c·杰克逊,m . c . Cavusoglu和w·纽曼,”一个新颖的视觉引导自主机器人手术,各种方法”IEEE自动化科学与工程国际会议(案例),2014年。视图:谷歌学术搜索
29. b .凯赫,g . Kahn j·马勒et al .,“自主多边与乌鸦清创手术机器人,”IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”,2014年。视图:谷歌学术搜索
30. d .胡、y . g . b . Hannaford和e . j . Seibel“半自动模拟神经外科机器人路径规划,”IEEE / RSJ智能机器人和系统国际会议(——),2015年。视图:谷歌学术搜索
31. j .徐诉Duindam、r . Alterovitz和k·戈德堡,”运动规划可操纵的针在3 d环境中使用快速扩展随机树和backchaining与障碍”自动化科学与工程国际会议(案例),2008年。视图:谷歌学术搜索
32. 帕蒂尔,j . Burgner r . j . w . III和r . Alterovitz“针通过快速的重新规划,指导3 d”IEEE机器人,30卷,不。4、853 - 864年,2014页。视图:出版商的网站|谷歌学术搜索
33. n . Chentanez r . Alterovitz d·里奇et al .,“交互仿真手术针插入和方向盘,“ACM交易图形SIGGRAPH(程序),28卷,不。3,88:1-88:10,2009页。视图:谷歌学术搜索
34. 李x h . Alemzadeh d . Chen z Kalbarczyk, r·k·艾耶和t . Kesavadas”安全培训的半实物仿真机器人手术,”IEEE / RSJ智能机器人和系统国际会议(2016年——),2016年。视图:谷歌学术搜索
35. http://www.ode.org/。
36. j·m·许s c·彼得斯,“扩大开放动力引擎DARPA虚拟机器人的挑战,”自主机器人仿真、建模和编程,2014年。视图:谷歌学术搜索
37. 彼得斯和j .许”,比较刚体机器人仿真的动态模拟器在露台,”2014年。视图:谷歌学术搜索
38. http://frsurgery.org/training-model/。
39. Karaman s和大肠Frazzoli Sampling-based算法最优运动规划,“国际机器人研究杂志》上,30卷,不。7,846 - 894年,2011页。视图:出版商的网站|谷歌学术搜索
40. l·延森大肠Schmerling, a·克拉克和m . Pavone”快速行进树:快速行进sampling-based最优运动规划方法在许多方面,“国际机器人研究杂志》上,34卷,不。7,883 - 921年,2015页。视图:出版商的网站|谷歌学术搜索
41. Raven-II研究外科机器人平台的运动分析(牧师:9 - 3月- 2015)。
42. l·n·维尔纳和a . m .冈”,力和力矩反馈和力反馈,”EuroHaptics会议,2009年。视图:谷歌学术搜索
43. j . c . Gwilliam m . Mahvash Vagvolgyi, a . Vacharat d d .刚才和a . m .冈”影响的触觉和图形在遥控触诊力反馈,”IEEE机器人与自动化国际会议上,2009年。视图:谷歌学术搜索
44. OpenHaptics工具包程序员指南。
45. m . m . Haghighipanah y . Li Miyasaka, b . Hannaford,“提高定位精度的伺服控制弹性电缆驱动手术机器人使用无味卡尔曼滤波,”IEEE / RSJ智能机器人和系统国际会议(——),2015年。视图:谷歌学术搜索

版权

版权©2017小李et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。