Flexible endoscopic surgical robots have been developed to overcome the limitations of rigid-type surgical robots and flexible endoscopes. Most of these robots use a Tendon-Sheath Mechanism to access and control the narrow and curved organ. However, this mechanism causes hysteresis due to nonlinear friction, backlash and wire elongation generated by bending of the sheath. As a result, hysteresis is a major factor that deteriorates the precision and accuracy of a surgical instrument, thereby degrading the surgical performance.
In order to reduce hysteresis, vision-based methods or using a sensor at the distal end have been proposed, but the former was not practical due to space constraints and sterilization problems, and the latter may degraded the performance of the controller due to smoke or light reflection during surgery. Model or regression methods have been proposed, but since the experiments were conducted assuming a particular sheath configuration, the performance could degraded in the sheath configuration that varies according to various surgical targets.
In this paper, we propose a learning-based hysteresis classification and a model-based feed-forward controller to compensate hysteresis in unknown sheath configurations. In order to identify the relationship between the wire tension data at the proximal end and hysteresis, it was shown that hysteresis can be classified using the wire tension data at the proximal end regardless of the sheath configuration. 1D-Convolutional neural network was used for hysteresis classification based on wire tension data, and Bouc-Wen model-based feed-forward controller was designed to compensate for each corresponding hysteresis. As a result, it was shown to find the similar hysteresis using the wire tension data with the hysteresis classification method proposed in the various sheath configurations. And the proposed method reduced the hysteresis around 10$^{\circ}$ in various configurations. The proposed methodology showed that it is possible to classify and reduce hysteresis using only the wire tension data at the proximal end without knowing in advance parameters such as the accumulative curve angle of the sheath.
기존의 강체형 타입 수술 로봇과 상용 내시경들의 한계점을 극복하기 위해 다양한 유연 내시경 수술 로봇들이 개발되어 왔다. 이 유연 내시경 수술 로봇들은 좁고 굴곡진 장기에 접근 및 조정하기 위해 탠던-시스 메커니즘을 이용한다. 하지만 이 메커니즘은 비선형적인 상호 마찰력, 와이어 연신에 영향을 가하는 시스의 굽힙 형태 때문에 히스테리시스라는 요소가 야기되고 결국 수술 도구의 정밀성과 정확성을 낮춰 수술 퍼포먼스를 낮춘다.
이러한 히스테리시스 문제를 해결하기 위해 끝 단의 센서를 이용하거나 카메라를 이용한 비전 기반 방법들이 제시되었지만 전자의 경우 공간적 제약과 살균 문제로 인해 실용적이지 못하고 후자는 수술 중 발생하는 연기 혹인 빛반사로 인해 제어기의 성능이 악화될 수 있다. 혹은 모델 혹은 회귀 방법을 이용해 히스테리시스를 모델링하는 방법들이 제안되었지만 이는 특정한 시스 구성을 가정으로 실험을 진행했기 때문에 다양한 수술 부위에 따라 달라지는 시스 구성에서 성능이 하락된다.
본 논문에서는 유연 내시경 수술 로봇의 히스테리시스에 대한 학습 기반 분류 및 모델 기반 피드포워드 보상을 실현하기 위한 전체적인 방법을 제안한다. 구동부의 와이어 장력 데이터와 히스테리시스간의 관계를 보이기 위해 사전 실험으로 K-FLEX의 수술 도구를 이용하여 시스 구성에 상관없이 구동부에서 측정되는 와이어 장력 데이터를 이용하여 히스테리시스를 분류할 수 있음을 보인다. 히스테리시스 분류는 1D 컨볼루젼 네트워크를 이용하여 시계열 데이터인 와이어 장력의 궤적으로 분류하는 방법과 분류 후의 각 대응하는 히스테리시스 모델 기반 피드포워드 컨트롤러를 적용하여 히스테리시스 보상을 입증했다. 실험 결과에 의해 대장의 3가지 형태에서 제안한 히스테리시스 분류 방법으로 와이어 장력 데이터를 이용하여 가장 유사한 히스테리시스를 찾는 것을 보였고, 그것에 대응하여 각 시스 구성에 대한 히스테리시스를 감소시킬 수 있었다. 결과적으로 제안된 방법은 시스템 특성이 바뀌는 주요한 요인인 다양한 시스 구성에서 10도 근방까지 히스테리시스를 줄였음을 보였다. 제안하는 방법론은 시스의 누적 각도와 같은 매개 변수를 사전에 알지 않고도 오직 구동부의 와이어 장력 데이터만을 이용하여 히스테리시스를 분류 및 감소시킬 수 있음을 보여주었다.
