Online models learning for adaptive assistance to teleoperated minimally invasive surgery - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2023

Online models learning for adaptive assistance to teleoperated minimally invasive surgery

Apprentissage automatique pour l’assistance aux gestes chirurgicaux robotisés

Résumé

This thesis explores assistive robotic behaviors for the realization of robot-assisted minimally invasive surgery (MIS), with a focus on laparoscopy and flexible endoscopy. In the first part of this document, we present novel approaches to perform the online backlash model identification of cable-actuated flexible endoscopes. Backlash in cable transmission degrades open-loop positioning accuracy and increases the cognitive load of the practitioner. However, its compensation requires an accurate model identification, which should ideally be done in-situ, i.e., just before or even during the surgical procedure. We propose several methods that can be applied to different relevant robot architectures and scenarios. The algorithms are evaluated in simulation and implemented on robotized endoscopic platforms for experimental validation. In the second part of this thesis, we investigate the online learning of the task and robot model parameters to continuously improve assistance to the operator using such a learning. We consider the case of haptic guidance during teleoperation, a scenario especially relevant to surgical robotics. In this context, we avoid relying on exteroceptive sensors as the main source of information as they could be limited or intermittently unavailable. Instead, we rely on the presence of the operator to extract the information necessary for learning. The algorithms we propose are evaluated in different simulated and real telerobotic scenarios, demonstrating the applicability of the methods to online registration problems.
Dans cette thèse, nous développons des stratégies d'assistance à la chirurgie minimalement invasive robotisée et plus précisément à la coelioscopie et à l'endoscopie flexible. Différents défis rendent l'exécution automatique de tâches complexes en MIS~: d'une part, l'environnement est non structuré et déformable; d'autre part, les capteurs extéroceptifs sont limités et leur mesure parfois indisponible. De plus, les outils chirurgicaux utilisés sont souvent flexibles, ce qui rend leur positionnement précis compliqué. Dans la première partie de ce document, nous présentons de nouvelles approches pour réaliser l'identification en ligne du modèle du jeu mécanique présent dans les transmissions à câble utilisées par les endoscopes flexibles. Le jeu dans les transmissions à câbles dégrade la précision du positionnement en boucle ouverte et augmente la charge cognitive du praticien qui devra le compenser. Cependant, sa compensation par la commande nécessite une identification précise du modèle, qui devrait idéalement être effectuée in-situ, c'est-à-dire juste avant ou durant la procédure chirurgicale. Nous proposons plusieurs méthodes qui peuvent être appliquées à différentes architectures de robots et dans différents scénarios pertinents pour des applications médicales. Les algorithmes sont évalués à travers des simulations et évalués expérimentalement sur une plateforme endoscopique robotisée. Dans une seconde partie, nous étudions l'apprentissage en ligne des paramètres des modèles de la tâche et du robot afin de générer une assistance à l'opérateur qui pourra s'améliorer en cours d'utilisation. Nous considérons le cas du guidage haptique lors de la téléopération à distance d'un robot, un scénario classique en robotique chirurgicale. Dans ce contexte, nous évitons d'être dépendant de capteurs extéroceptifs et exploitons la présence de l'opérateur pour extraire les informations nécessaires à l'apprentissage. Les algorithmes que nous proposons sont évalués dans différents scénarios télérobotiques simulés et réels, démontrant l'applicabilité des méthodes aux problèmes d'apprentissage en ligne pour l'assistance à la téléopération.
Fichier non déposé

Dates et versions

tel-04140530 , version 1 (25-06-2023)

Licence

Copyright (Tous droits réservés)

Identifiants

  • HAL Id : tel-04140530 , version 1

Citer

thibault poignonec. Online models learning for adaptive assistance to teleoperated minimally invasive surgery. Robotics [cs.RO]. Unistra, 2023. English. ⟨NNT : ⟩. ⟨tel-04140530⟩
22 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More