基于示教学习的手术机器人缝合技能学习

手术辅助机器人具有控制准确、运行稳定、操作精度高的特点，可以帮助外科医生克服传统手术在操作精度、工作空间、距离和协同工作等方面的难点。

为了让手术机器人系统实现像医生一样高质量的自动化操作，一项重要的基础工作就是建立手术操作模型。

为此，重庆邮电大学杨德伟老师团队以浅表组织缝合为建模对象，进行了缝合技能学习和建模研究。

为了解决传统模型在新场景下应用时迁移能力差的问题，杨老师提出了一种演示-分解-建模的技能学习建模框架。缝合过程的演示被分解为几个子过程，并引入动态运动基元（DMPs）方法对缝合子过程的轨迹进行统一建模。

示教学习的方法(learning from demonstration)对于相似但不同轨迹的场景有更好的迁移能力。为了获取医生缝合手术演示过程中的数据，研究人员建立了一套缝合手术演示采集系统。

系统包含NOKOV度量动作捕捉系统、手术钳、缝合针、线以及伤口模型。

其中NOKOV度量动作捕捉系统配置了7个红外光学镜头来测量和捕捉缝合过程。两个手术钳分别粘贴三个反光标识点。利用动作捕捉系统获取反光标识点的三维空间坐标，并计算手术钳连续实时位置和姿态运动轨迹。

如下图，通过坐标转换，可以获得左、右手术钳在伤口坐标系下的运动轨迹。此处为了消除医生手部抖动，对轨迹数据做了低通滤波处理。

缝合过程可以分为三个阶段：针穿入皮肤组织；打结；拉紧缝线。作者提出的DMPs方法可以表示每个阶段的动态过程。下图显示利用DMPs方法训练后学习得到的轨迹。可以看出DMPs得到的轨迹与真实轨迹一致性较好。

DMPs 模型的一个优点是迁移效果好。如下图所示，改变终点位置时，整体缝合的动态过程是相似的，这样可以方便地使用学习缝合模型为一些不同位置和类型的伤口规划新的轨迹。

(图中蓝色实线为NOKOV度量动作捕捉系统采集的缝合轨迹，红色虚线为更换目标位置后DMPs学习后对应的轨迹) 

参考文献：[1]   D. Yang, Q. Lv, G. Liao, K. Zheng, J. Luo and B. Wei,"Learning from Demonstration: Dynamical Movement Primitives Based ReusableSuturing Skill Modelling Method," 2018 Chinese Automation Congress (CAC),2018, pp. 4252-4257, doi: 10.1109/CAC.2018.8623781.