Modelling and control of robotic flexible endoscopes using machine learning
Modélisation et commande avec apprentissage d'endoscopes flexibles robotisés
Résumé
In the context of minimally invasive surgeries, flexible endoscopes and cable-driven flexible instruments are essential tools. In robotic systems, cable transmission allows to control distal effectors inside the patient from external motors located at the proximal side. However, non-linearities are introduced due to the interaction between the cables and the sheaths inside the endoscopic tool’s shafts. In this thesis, a novel position inverse kinematic model (PIKM) that can consider complex non-linearities is proposed for both coupled and uncoupled flexible systems, as well as an extension for any kind of robotic system. The core concept of the developed techniques is to combine classic kinematics with machine learning techniques. This allows for a precise, yet efficient, PIKM that can handle hysteresis effects. The positioning accuracy is improved compared to other learning-based approaches with a faster training phase as has been shown on experiments on the STRAS platform.
Dans le contexte des chirurgies mini-invasives, les endoscopes flexibles et les instruments chirurgicaux à câble sont des outils essentiels. Dans les systèmes robotiques, la transmission par câble permet de contrôler les effecteurs distaux à l’intérieur du patient à partir de moteurs situés du côté proximal. Cependant, des non-linéarités sont introduites en raison de l'interaction entre les câbles et les gaines à l'intérieur des outils endoscopiques. Dans cette thèse, un nouveau modèle cinématique inverse (MCI) qui peut prendre en compte des non-linéarités complexes est proposé pour les systèmes flexibles, ainsi qu'une extension pour tout type de système robotique. Le concept des techniques développées consiste à combiner la modélisation géométrique avec des techniques d'apprentissage automatique. Cela permet d'obtenir un MCI précis, efficace et capable de gérer les effets d'hystérésis. La précision est améliorée par rapport à d'autres approches basées sur l'apprentissage, avec une phase d'entraînement plus rapide, comme l'ont montré les expériences menées sur la plateforme STRAS.
Origine | Version validée par le jury (STAR) |
---|