面向眼底血管穿刺的显微机器人力位混合控制

翟宇鹏 ,  边桂彬 ,  李桢 ,  叶强

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (7) :2686-2694

PDF (7698KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (7) :2686-2694 DOI: 10.12404/j.issn.1671-1815.2502567

面向眼底血管穿刺的显微机器人力位混合控制

作者信息 +

Hybrid Force-position Control of Microsurgical Robot for Retinal Vascular Puncture

Author information +
文章历史 +

摘要

针对显微机器人在眼底血管穿刺手术中存在的主从跟踪精度不足、穿刺力控制难以及刺破瞬间力骤降带来的二次穿刺风险等问题,提出了一种自适应穿刺力位混合控制方法。设计非奇异快速终端滑模面的自适应滑模控制器,实现机器人末端在靠近血管阶段的高精度轨迹跟踪;提出径向基函数神经网络的自适应阻抗控制,通过在线实时估计和补偿软组织形变的不确定性,进行精准穿刺力控制。为确保从位置控制平滑过渡至力控制,并在血管刺破阶段实现快速响应,设计了平滑切换因子,能够在穿刺力逐步增大时平滑调整控制模式,结合穿刺停止策略,有效防止因穿刺力骤降引发的二次穿刺风险。在模拟眼球及离体猪眼上开展实验验证,结果表明,机器人系统在微尺度操作下实现了仅2.3 μm的位置误差;在穿刺过程中,穿刺力始终稳定跟踪预设曲线,且在刺破瞬间停止穿刺,有效降低了组织损伤风险。本文方法有效解决了显微手术中力位切换与精准控制的难题,为提升眼底注射手术的安全性与成功率提供了可靠的技术方案。

Abstract

Retinal vascular puncture surgery using micro-robots faces challenges,master-slave tracking accuracy is insufficient,puncture force is difficult to control. Secondary puncture risks are caused by sudden force drops. An adaptive position-force hybrid control method was proposed. A non-singular fast terminal sliding mode controller was designed. High-precision trajectory tracking was achieved during the vascular approach phase. An adaptive impedance control strategy was introduced. A radial basis function neural network was utilized. Uncertainties from soft tissue deformation were estimated and compensated online. Precise puncture force control was enabled. A smooth switching factor was incorporated. The control mode was adjusted dynamically. A puncture stop strategy was combined to prevent secondary puncture risks. Experimental validation was conducted on simulated eyeball models and ex vivo porcine eyes. A positional error of only 2.3 μm is achieved by the robotic system. The preset curve is tracked consistently by the puncture force. The system is halted immediately upon vessel rupture. The risk of tissue damage is significantly reduced. The challenges of force-position switching are resolved effectively,a reliable technical solution is provided for retinal vascular injection surgery.

Graphical abstract

关键词

显微眼科机器人 / 力位混合控制 / 自适应滑模控制器 / 自适应阻抗控制 / 平滑切换因子

Key words

microsurgical ophthalmic robot / force-position hybrid control / adaptive sliding mode controller / adaptive impedance control / smooth switching factor

引用本文

引用格式 ▾
翟宇鹏, 边桂彬, 李桢, 叶强. 面向眼底血管穿刺的显微机器人力位混合控制[J]. 科学技术与工程, 2026, 26(7): 2686-2694 DOI:10.12404/j.issn.1671-1815.2502567
ZHAI Yu-peng, BIAN Gui-bin, LI Zhen, YE Qiang. Hybrid Force-position Control of Microsurgical Robot for Retinal Vascular Puncture[J]. Science Technology and Engineering, 2026, 26(7): 2686-2694 DOI:10.12404/j.issn.1671-1815.2502567

登录浏览全文

4963

注册一个新账户 忘记密码

视网膜中央静脉阻塞(central retinal vein occlusion, CRVO)是继糖尿病视网膜病变之后第二常见的视网膜血管疾病,眼底注射手术是治疗CRVO的可行方法[1-2]。由于人眼解剖结构复杂,视网膜血管直径微小、壁薄且极为脆弱,传统人工手术过程中,外科医生的手部震颤(约182 μm的振幅[3])极易引发手术误伤、术后并发症甚至手术失败。在精细操作中手部抖动、生理疲劳及感知灵敏度不足[4]等问题,显著影响了手术的安全性与成功率。因此,近年来,显微机器人手术逐渐成为研究热点,利用机器人重复定位精度高、运动稳定的特点,有望突破传统人工手术的精度和稳定性限制,大幅提高眼底手术的安全性与成功率[5-8]。例如,约翰霍普金斯大学的SHER(stabilized hand eye robot)手术机器人不仅具有较高的手术精度,还集成了光纤光栅(fiber Bragg grating, FBG)、光纤传感器和光学相干断层扫描(optical coherence tomography, OCT)技术,增强了视网膜与器械的精确控制[9]。此外,鲁汶大学的眼科机器人融合了主从遥操作与人机协作模式,在猪眼实验和全球首例人体视网膜静脉机器人手术中,验证了其临床可行性[10]。
然而,尽管手术机器人技术逐渐成熟,在实际应用于眼底注射手术时,仍然存在一些挑战性问题:一方面,在机器人针尖靠近视网膜血管的过程中,需要实现高精度的位置跟踪,以确保精确定位;另一方面,在针尖接触血管后,由于血管易变形的非线性、非均质性和个体差异,传统单纯的位置控制策略无法有效保证穿刺过程的稳定性与安全性,极易引发过穿刺风险。此外,在穿刺针刺破血管壁瞬间,穿刺力突降,若控制不当,则可能导致针尖过度刺入组织造成严重损伤。因此,迫切需要研究一种适用于眼底注射手术场景的高精度、高安全性的机器人力位混合控制策略。
在系统不确定性与外界干扰带来的位置跟踪误差问题上,Yin等[11]设计了一种鲁棒自适应模糊滑模控制器,高频不确定项通过使用模糊逻辑系统进行近似,低频项根据参数自适应律实时自适应更新,显著提升了串联机器人对模型不确定性和外部扰动的控制能力。董慧芬等[12]利用径向基神经网络建立Delta机器人末端位置与误差的非线性映射关系,显著提高了轨迹跟踪精度。Rauf等[13]则使用二阶非奇异终端滑模控制器,通过饱和函数替代符号函数减小抖振,并引入自适应方法进一步降低不确定性的影响。唐军等[14]在系统不确定性与外界干扰下,提出一种基于有限时间扰动观测器并结合改进模型的自适应鲁棒容错控制方法,利用滑模控制加上径向基神经网络建立带有执行器故障的输入补偿,并双幂趋近律使滑模量在更短时间收敛到稳态误差界内。王旭升等[15]通过自适应滑模控制,并使用径向基函数(radial basis function, RBF)神经网络逼近机器人动力学模型并补偿系统中不确定性扰动,提高了系统的鲁棒性,提高收敛速度并降低跟随误差。
在动态环境下的精准力控制方面,刘玉等[16]针对环境建模不精确导致接触力跟踪波动的问题,提出动态环境下自适应变阻抗控制方法,通过惯性参数自适应调节与阻尼动态更新,有效抑制力超调并降低稳态误差。王旭升等[15]提出双环改进阻抗控制策略,外环引入非线性力微分抑制超调,内环结合自适应滑模与RBF神经网络补偿扰动,实验验证其显著提升接触力响应速度与位置跟踪精度,有效降低接触瞬间力超调。俞子牛等[17]针对微操作臂与环境交互中接触力精准控制问题,提出一种融合扩展卡尔曼滤波器的力跟踪阻抗控制策略。通过在线实时估计环境刚度参数,构建自适应阻抗模型,并结合力-位混合控制架构,实现微尺度下接触力的闭环跟踪。Zhou等[18]提出融合自适应阻抗控制与主动柔顺的混合控制策略。通过构建电驱动线性末端执行器的宏-微运动控制模型,结合接触动力学特性设计双模态阻抗控制器,开发冲击工况下的自适应力/位跟踪算法。
针对上述问题,现以显微眼科机器人辅助的视网膜血管注射手术为研究对象,提出一种显微眼科机器人眼底血管穿刺的力位混合控制算法。首先,设计基于自适应非奇异快速终端滑模面(non-singular fast terminal sliding mode surface, NFTSMS)的自适应滑模控制器,旨在靠近血管阶段实现高精度的轨迹跟踪,引导机器人末端精确到达目标位置;其次,引入径向基函数(RBF)神经网络辅助自适应阻抗控制方法,试图通过在线实时估计并补偿软组织形变的不确定性,进行精准穿刺力控制,从而提升机器人在不确定环境下的操作精度;最后,为解决从位置控制到力控制以及刺破瞬间的平滑切换问题,构建一种平滑切换因子。以期实现从位置控制到力控制的平稳过渡,并期望在刺破瞬间系统能快速响应,进而有效规避过穿刺风险。

1 显微手术机器人操作示意

以眼底注射手术为例,探讨显微手术机器人的力位混合控制策略。眼底注射手术是治疗视网膜中央血管阻塞的有效方法,如图1所示,机器人手术过程中,外科医生借助3D显示系统,通过主手遥操作机器人,将包括注射针与照明光纤的末端手术器械经Trocar通道置入患者眼内。随后,医生主手操控机器人远程运动中心机构,实现手术器械在眼内的灵活运动,以精准定位、接近并最终穿刺目标血管,完成药物注射。在靠近目标血管阶段,机器人需具备极高的位置跟踪精度,以确保注射针精准地接近血管;而在接触血管后,由于视网膜血管壁极薄且脆弱,要求机器人具备精确的穿刺力控制能力,以防止过穿刺对血管造成损伤。

2 微力感知注药器械设计

2.1 微力感知传感器设计与封装

显微眼科机器人手术器械内部封装了用于精准穿刺力感知的光纤光栅(FBG)传感器,其具有体积小、灵敏度高、响应快等优势[19-21]。如图2所示,注射针组件主要由穿刺针、外部套管、力感知单元以及药物通道管等部分构成。其中,力感知单元位于穿刺针与套管的后方,由两个力感知支架和一个力感知骨架组成。力感知支架一方面用于与穿刺针及外部套管固定连接,实现有效的力传递;另一方面用于牢固支撑力感知骨架。力感知骨架采用正交切槽结构设计,以在受力条件下产生显著且稳定的形变。通过医用器械瞬干胶,将两根FBG光纤的光栅区域(长度10 mm)粘贴于力感知骨架的两侧,其余光纤部分则粘贴固定在力感知支架的两侧凹槽内,以实现高灵敏、高稳定的力感知功能。

2.2 微力感知注药器械标定

假设两根光纤的受力不同,Fzi为第i根光纤上的轴向力,轴向力Fz作用于力感知骨架时,可以等效为作用于刚度为kz的弹簧上(图3),此时光纤所受应变为

εi=$\frac{{F}_{zi}}{{k}_{z}{l}_{z}}$

式(1)中:lz为等效弹簧的长度。光纤的波长变化量可以表示为

$\frac{\Delta {\lambda }_{i}}{{\lambda }_{i}}$=ki,TΔT+ki,εεi

式(2)中:λi为第i根光纤波长;ki,T为第i根光纤的温度灵敏度系数;ΔT为温度的变化量;ki,ε为应变系数。通过差模计算思想消除温度的影响,即引入新的变量Δsi。则为

Δsi=$\frac{\Delta {\lambda }_{i}}{{\lambda }_{i}}$-$\frac{1}{2}$ki,T$\sum _{j=1}^{2}\frac{\Delta {\lambda }_{j}}{{\lambda }_{j}}$
Fzi=$\frac{{k}_{z}{l}_{z}}{{k}_{i,\epsilon }}$Δsi

通过式(4)可以得到任意一根光纤与Fz的关系,为了防止受力不均的问题,选用两根光纤的平均力作为Fz的评估。计算公式为

Fz=$\frac{{F}_{z1}+{F}_{z2}}{2}$=$\frac{{k}_{z}{l}_{z}}{2}\left(\frac{\Delta {s}_{1}}{{k}_{1,\epsilon }}+\frac{\Delta {s}_{2}}{{k}_{2,\epsilon }}\right)$

=[$\begin{array}{ll}{K}_{1}& {K}_{2}\end{array}$]$\left[\begin{array}{l}\Delta {s}_{1}\\ \Delta {s}_{2}\end{array}\right]$

式(5)中:K1=$\frac{{k}_{z}{l}_{z}}{2{k}_{1,\epsilon }}$和K2=$\frac{{k}_{z}{l}_{z}}{2{k}_{2,\epsilon }}$分别为两根光纤的力感知灵敏度系数。

为了实现穿刺力传感器的精确标定,将手术器械垂直固定于光学平台上,并控制其末端与电子天平轻微接触,如图4所示。通过垂直方向上的精细位置调整使手术器械对天平施加作用力,进行逐步加载式标定实验。实验开始时,首先记录电子天平和穿刺力传感器的初始读数,待天平数值与FBG波长读数均稳定后,控制手术器械缓慢向下移动;当观察到天平读数发生变化时,立即停止移动,再次等待天平读数与FBG波长读数完全稳定后,同时记录对应的波长变化与天平数值。重复上述步骤,每次均缓慢增加器械对天平的垂直作用力,直至电子天平读数达到100 mN。最后,通过构建反向传播(back propagation, BP)神经网络模型,对采集到的实验数据进行拟合分析,构建2层BP神经网络,第一层包含12个非线性神经元,第二层包含1个线性神经元,以建立FBG传感器波长变化与实际穿刺力之间的准确映射关系。

3 显微眼科机器人模型建立

3.1 机器人逆运动学模型

显微眼科机器人单臂可视为具有6个自由度的串联机构,其中前3个自由度实现XYZ方向的定位,后3个自由度则专注于远程运动中心(remote center of motion, RCM)机构的姿态调整。因此,在进行逆运动学计算时,只需重点考虑末端RCM机构,降低问题的复杂性并简化解题过程。定义滚转角为θ1、俯仰角为θ2,以及进给距离为d。如表1所示为机器人RCM自由度的D-H(Denavit-Hartenberg)参数。

对于机器人RCM机构,其正运动学模型可以表示为

${ }_{0}^{3}$T${=}_{0}^{1}{T}_{1}^{2}{T}_{2}^{3}$T

式(6)中${:}_{i}^{n}$T为关节i与关节n之间齐次变换矩阵。

为求解逆运动学,将式两侧同时左乘${ }_{2}^{3}$T-1可得

${ }_{0}^{3}{T}_{2}^{3}$T-1${=}_{0}^{1}{T}_{1}^{2}$T

对式(7)进行求解,经过代数推导解得滚转旋转角度为θ1,俯仰旋转角度为θ2和进给距离为d,则有

θ1=-67 108 864py/(540 865 155 557 2751${p}_{y}^{2}$+7 800 463 469 662 266pypz+16 807 662 755 439 628${p}_{z}^{2}{)}^{\frac{1}{2}}$
d=$\sqrt{{p}_{x}^{2}+{p}_{y}^{2}+{p}_{z}^{2}}$
θ2=$\frac{0.836 516 3{p}_{y}}{d}$-$\frac{0.482 962 91{p}_{x}}{d}$-$\frac{0.258 819 05{p}_{z}}{d}$

式中:(px,py,pz)为机器人末端在基坐标系下的位置坐标。

3.2 机器人动力学模型

使用拉格朗日公式,具有n自由度的显微手术机器人,其关节动力学模型可以表示为

$M(q) \ddot{q}+C(q, \dot{q}) \dot{q}+G(q)=\tau+D(t)$

式(11)中:q∈Rn为关节角位移向量;M(q)∈Rn为空间惯性矩阵,其物理意义反映了机器人运动中的质量分布特性;科里奥利力与离心力矩阵C(q,$\dot{\boldsymbol{q}}$)为斜对称矩阵;重力矩阵G(q)由机械臂位形及负载重力决定;τ∈Rn为待设计的控制输入力矩;D(t)为总扰动项,涵盖外部环境力、未建模动态及参数不确定性;t为时间。

考虑系统不确定性(如模型参数误差与外部扰动),则估计模型为

$\hat{M}(q) \ddot{q}+\hat{C}(q, \dot{q}) \dot{q}+\hat{G}(q)=\tau$

式(12)中:$\stackrel{\wedge }{·}$表示对各项参数矩阵的估计值。

定义系统参数的不确定项为

$\begin{aligned}\Delta(\boldsymbol{q}, \dot{\boldsymbol{q}}, \ddot{\boldsymbol{q}})= & \tilde{\boldsymbol{M}}(\boldsymbol{q}) \ddot{\boldsymbol{q}}+\tilde{\boldsymbol{C}}(\boldsymbol{q}, \dot{\boldsymbol{q}}) \dot{\boldsymbol{q}}+ \\& \tilde{\boldsymbol{G}}(\boldsymbol{q})+\boldsymbol{D}(t)\end{aligned}$

式(13)中:$\stackrel{~}{·}$表示对各项参数矩阵的估计误差。

4 力位混合控制算法设计

所设计的力位混合控制算法结构,如图6所示,在靠近血管阶段,采用非奇异快速终端滑模面(non-singular fast terminal sliding mode surface, NFTSMS)滑模面的自适应滑模控制器,自适应律实时更新系统不确定性估计函数,实现机器人末端在靠近血管阶段的高精度轨迹跟踪;在接触到血管后,采用径向基神经网络实时估计和补偿软组织形变的不确定性,对阻抗控制参数进行自适应更新;最后通过平滑切换因子从轨迹跟踪到穿刺力控制的平滑切换。

4.1 自适应滑模跟踪控制器设计

为了在实时轨迹跟踪控制中实现高精度,首先需要明确轨迹跟踪误差的定义。主手输入所给出的期望轨迹,经过主控轨迹的运动缩放及主手运动学处理后,可得到机器人在末端的期望轨迹Pd;再利用机器人逆运动学,得到期望的关节运动轨迹qd (t),而机器人实际关节运动轨迹则记为q (t)。将实际轨迹与期望轨迹的差值定义为跟踪误差e(t),即

e(t)=q(t)-qd(t)

误差的导数,即轨迹跟踪速度误差,则为

$\dot{\boldsymbol{e}}(t)=\dot{\boldsymbol{q}}(t)-\dot{\boldsymbol{q}}_{\mathrm{d}}(t)$

控制系统的主要目标是保证轨迹误差及其速度误差全局渐进收敛于零,即满足

$\underset{t\to \infty }{lim}$‖e(t)‖=0
$\lim _{t \rightarrow \infty}\|\dot{\boldsymbol{e}}(t)\|=0$

为实现误差的有限时间快速收敛,并消除传统终端滑模中的奇异问题,选择非奇异快速终端滑模面为

$\boldsymbol{s}=\boldsymbol{e}+\alpha \boldsymbol{e}^{\gamma}+\beta \dot{\boldsymbol{e}}^{p / q}$

式(18)中:α,β>0为设计参数; γ>1;p、q为正奇数。

滑模面导数为

$\dot{\boldsymbol{s}}=\dot{\boldsymbol{e}}+\alpha \gamma \operatorname{diag}\left[\boldsymbol{e}^{\gamma-1}\right] \dot{\boldsymbol{e}}+\beta \frac{p}{q} \operatorname{diag}\left[\dot{\boldsymbol{e}}^{p / q-1}\right] \ddot{\boldsymbol{e}}$

自适应滑模控制律由等效控制率和鲁棒自适应控制率组成,等效控制率为

τeq=$\stackrel{\wedge }{M}$(q)${\stackrel{··}{q}}_{r}$+$\stackrel{\wedge }{C}$(q,$\stackrel{·}{q}$)${\stackrel{·}{q}}_{r}$+$\stackrel{\wedge }{G}$(q)

式(20)中:$\stackrel{\wedge }{M}$、$\stackrel{\wedge }{C}$、$\stackrel{\wedge }{G}$分别为动力学模型参数的估计值;${\stackrel{··}{q}}_{r}$、${\stackrel{·}{q}}_{r}$为参考加速度与参考速度向量。

鲁棒自适应控制律为

τsw=-Kss-$\stackrel{\wedge }{\delta }$sgn(s)

式(21)中:Ks为滑模增益矩阵,调整系统鲁棒性和抗扰动性能;$\stackrel{\wedge }{\delta }$为系统不确定性估计函数,通过自适应方法在线估计。

则完整自适应滑模控制律为

τ=τeq+τsw

假设系统不确定项可表示为线性参数化形式,即

δ=Y(q,$\stackrel{·}{q}$,${\stackrel{·}{q}}_{r}$,${\stackrel{··}{q}}_{r}$)θ

式(23)中:Y为已知的回归矩阵,由系统状态和误差信息组成;θ为未知参数向量(系统模型误差与外部扰动的参数化表示)。

自适应估计项参数估计误差为

$\tilde{\boldsymbol{\delta}}=\boldsymbol{\delta}-\hat{\boldsymbol{\delta}}$

设计参数自适应律(在线更新规则)为

$\dot{\hat{\boldsymbol{\delta}}}=\boldsymbol{\Gamma}|\boldsymbol{s}|$

式(26)中:Γ为正定自适应增益矩阵,决定参数估计的收敛速度与稳定性。

定义李雅普诺夫函数为

$\boldsymbol{V}=\frac{1}{2} \boldsymbol{s}^{\mathrm{T}} \hat{\boldsymbol{M}}(\boldsymbol{q}) \boldsymbol{s}+\frac{1}{2} \tilde{\boldsymbol{\delta}}^{\mathrm{T}} \boldsymbol{\Gamma}^{-1} \tilde{\boldsymbol{\delta}}$

根据李雅普诺夫稳定性定理,可证系统滑模面和参数估计误差渐进稳定,并在有限时间内收敛到零附近。

4.2 穿刺力阻抗跟踪控制器设计

在视网膜血管穿刺过程中,穿刺自由度由压电陶瓷电机驱动,该电机只能接受位置控制指令而无法直接进行力反馈控制。为了实现精准稳定的穿刺力跟踪控制,并针对视网膜血管组织的不确定性,提出一种自适应神经网络阻抗控制。引入径向基函数神经网络实现组织不确定性的实时估计与补偿。

定义虚拟阻抗模型为

$\boldsymbol{M}_{\mathrm{v}} \ddot{\boldsymbol{x}}_{\mathrm{e}}+\boldsymbol{B}_{\mathrm{v}} \dot{\boldsymbol{x}}_{\mathrm{e}}+\boldsymbol{K}_{\mathrm{v}} \boldsymbol{x}_{\mathrm{e}}=\boldsymbol{f}_{\mathrm{d}}-\boldsymbol{f}_{\mathrm{ext}}-\boldsymbol{f}_{\mathrm{unc}}$

式(29)中:xe=x-xd为穿刺针实际位置x与虚拟平衡位置xd之间的偏差;fd为期望穿刺力;fext为FBG实时反馈测量的实际穿刺力;Mv、Bv、Kv分别为虚拟质量、阻尼与刚度参数;func为RBF神经网络自适应实时估计的非线性环境不确定项,用于在线补偿未知环境与组织刚度变化。

采用径向基函数神经网络实现非线性项的实时估计,其结构为

$\hat{\boldsymbol{f}}_{\text {unc }}=\hat{\boldsymbol{W}}^{\mathrm{T}} \boldsymbol{h}(\boldsymbol{x})$

式(30)中:x为输入向量;$\stackrel{\wedge }{W}$为权值向量;h(x)为基函数向量。

RBF网络基函数采用高斯函数其,第j个分量为

hj(x)=exp$\left(-\frac{‖x-{c}_{j}{\Vert }^{2}}{2{b}_{j}^{2}}\right)$

式(31)中:cj为第j个神经元的中心;bj第j个神经元的宽度;n为神经元个数。

为实现自适应估计,设计在线学习律实时更新权值为

$\dot{\hat{\boldsymbol{W}}}=\eta \boldsymbol{h}(\boldsymbol{x}) \boldsymbol{r}^{\mathrm{T}}$

式(32)中:η>0为自适应学习速率矩阵;r为力误差。

根据阻抗模型,位置控制指令可以通过数值积分实时计算,简化忽略虚拟质量项(穿刺运动低速微动,惯性项较小),则

$\boldsymbol{B}_{\mathrm{d}} \dot{\boldsymbol{x}}_{\mathrm{e}}+\boldsymbol{K}_{\mathrm{d}} \boldsymbol{x}_{\mathrm{e}}=\boldsymbol{f}_{\mathrm{d}}-\boldsymbol{f}_{\mathrm{ext}}+\hat{\boldsymbol{W}}^{\mathrm{T}} \boldsymbol{h}(\boldsymbol{x})$

式(33)中:Bd和Kd分别为阻抗控制器的期望阻尼矩阵与期望刚度矩阵。

离散化后实时位置更新律可得

$\begin{aligned}\boldsymbol{x}_{\mathrm{e}}(t)= & \frac{T}{\boldsymbol{B}_{\mathrm{d}}+\boldsymbol{K}_{\mathrm{d}} T}\left[\boldsymbol{f}_{\mathrm{d}}-\boldsymbol{f}_{\mathrm{ext}}+\hat{\boldsymbol{W}}^{\mathrm{T}} \boldsymbol{h}(\boldsymbol{x})\right]+ \\& \frac{\boldsymbol{B}_{\mathrm{d}}}{\boldsymbol{B}_{\mathrm{d}}+\boldsymbol{K}_{\mathrm{d}} T} \boldsymbol{x}_{\mathrm{e}}(t-T)\end{aligned}$

式(34)中:xe(t)和xe(t-T)分别为当前采样时刻t与上一采样时刻(t-T)的位置偏差向量。

则实时穿刺位置指令为

x(t)=xeq+xe(t)

4.3 自适应平滑切换控制

定义机器人的穿刺过程为如下模式:

靠近阶段(位置控制):使用自适应滑模跟踪控制器产生控制变量,进行主从跟踪控制,精确靠近血管。

穿刺阶段(力控制):穿刺力阻抗跟踪控制器产生控制变量,进行穿刺力控制。

刺破阶段(瞬态控制):快速停止运动,防止过穿刺。为保证各控制阶段之间安全、平滑、稳定地切换,提出一种基于平滑切换因子的位置控制切换策略。

定义平滑位置指令切换模式为

xcmd=α(t)xtrack+[1-α(t)]ximp

式(36)中:xcmd混合后的末端位置指令;xtrack是由适应滑模跟踪控制器输出的末端轨迹;ximp由穿刺力阻抗跟踪控制器输出的末端轨迹;α(t)为平滑切换因子(范围从1到0)。

平滑切换因子α(t)定义为

α(t)=$\frac{1}{2}${1-tanh[λ(‖fext‖-fth)]}

式(37)中:λ切换速度控制参数;‖fext‖为实时接触力幅值;fth为进入完全力控制预设值。

当‖fext‖≪fth时,α(t)≈1,此时系统保持位置控制。

当‖fext‖与fth逐渐接近时,α(t)平滑下降。

当‖fext‖≥fth时,此时系统转为力控制阶段。

刺破阶段通过实时监测穿刺力变化率进行检测和最大穿刺力阈值通知判断。

定义穿刺力变化率为$\stackrel{·}{f}$,刺破检测条件为

$\stackrel{·}{f}$<${\stackrel{·}{f}}_{limit}$or f>fmax

式(38)中:${\stackrel{·}{f}}_{limit}$刺破力下降速率阈值;fmax为最大穿刺力阈值。刺破发生瞬间立即停止位置更新。

5 实验验证

在自主研发的显微眼科机器人平台上对所提出的控制方法进行了验证。机器人系统如图7所示,由显微眼科机器人、操控主手、使能脚踏、光纤光栅解调仪、数字手术显微镜及3D显示屏共同组成。主手控制台采用Omega.7触觉交互设备,通过运动缩放,将主手的运动信息传输给显微眼科机器人。

在实际操作中,末端位置信号由操作者通过操控主手,将主手的期望位置实时传输至机器人上位机。上位机接收到主手数据后,进行相应的运动缩放,得到机器人的期望运动轨迹,进而利用机器人逆运动学求解出期望关节轨迹。待主手控制机器人接触到视网膜血管后,穿刺力反馈到控制器,平滑切换值减小,由靠近阶段过渡至穿刺阶段,跟踪期望力,将期望力设置为斜率为3的随时间变化曲线。当穿刺力达到预设刺破阈值后,机器人立即停止运动,从而保证手术过程的安全性和精度。

通过记录主手输入位置数据、机器人反馈末端位置、期望穿刺力、实际穿刺力以及切换因子,验证本文所提出的力位混合控制方法稳定性以及准确性,以及设计的力感知装置在显微眼科机器人任务中的有效性,实验验证主要分为两个部分:①模拟猪眼血管穿刺实验;②离体猪眼中央血管穿刺注射实验。

5.1 模拟猪眼穿刺实验

将模拟眼球固定于支架上,模拟眼球材质为硅胶,在模拟眼球眼底贴着印有眼底血管的PVC薄膜,薄膜用于模拟血管壁,实验操作人员通过3D显示器观察眼底图像,并操控主手在模拟猪眼内进行视网膜血管穿刺操作,如图8所示。

在主从位置跟踪控制下,机器人的末端位置与主手期望轨迹之间的跟踪误差,其最大值仅为2.3 μm,如图9所示,表明系统能够极为精确地追踪主手操作并成功将机器人定位于目标血管区域。如图10所示,当穿刺针首次接触到血管后,系统开始接收穿刺力反馈,此时,平滑切换因子随穿刺力的增大而逐渐降低,直至降为0,从而实现由位置跟踪控制向力跟踪控制的平滑转换。如图11所示,在力控制阶段,系统设定的期望穿刺力为指定值,且实际穿刺力能够紧密跟随这一期望力变化;当实际穿刺力增至14.58 mN后,检测到穿刺力骤降,表明穿刺针已成功刺破血管,机器人随即停止运动,从而有效防止了过穿刺风险。

5.2 离体猪眼中央血管穿刺注射实验

为进一步验证本文所提出方法的稳定性与有效性,在离体猪眼上开展了中央血管穿刺实验。

首先,将新鲜离体猪眼固定在支架中,再距离猪眼角膜约4 mm处插入两个相差150°的套管针Trocar;同时,调整手术显微镜以确保获得清晰视野。随后,操作人员通过观察3D显示屏上的实时影像,利用主手端对机器人进行操控,引导手术器械经由Trocar准确进入眼内。借助眼底镜观察眼底视野,操作者控制穿刺针逐步靠近目标血管,并最终完成中央血管穿刺。

如图12所示,当穿刺针首次与血管接触后,平滑切换因子开始随着穿刺力的增加而平滑下降,实现了主从位置跟踪控制向穿刺力跟踪控制的无缝过渡。如图13所示,在力控制阶段,系统成功使穿刺力紧密跟随预设期望力;当穿刺力达到8.67 mN时,穿刺操作完成,机器人立即停止运动,从而确保了对中央血管的精准穿刺。穿刺成功后穿刺力的再次升高是由于血管弹性形变对穿刺针产生额外作用力所致。

为验证穿刺操作的成功性,操作人员随后通过生理盐水注射,结果如图14所示,可以看到注射前视网膜血管内充满了红色的血,注射后视网膜血管内血液明显退散,从而进一步确认了实验的成功。

6 结论

针对显微眼科机器人在手术过程中存在的主从跟踪精度不足、穿刺力控制不稳定以及刺破瞬间力骤降风险等问题提出了一种自适应穿刺力位混合控制方法,并通过实验验证证明了其有效性。采用非奇异快速终端滑模面设计的自适应滑模控制器,实现了机器人末端在靠近血管阶段的高精度轨迹跟踪;利用径向基函数神经网络构建的自适应阻抗控制,对软组织形变的不确定性进行实时估计和补偿,从而进行期望穿刺力跟踪。同时,设计的平滑切换因子与穿刺停止策略确保了从位置控制向力控制的平稳过渡,有效规避了因穿刺力骤降而引发的过穿刺风险。模拟眼球和离体猪眼实验中实现了2.3 μm的位置误差,穿刺过程中穿刺力能与预设曲线保持同步,并在刺破阶段迅速响应,避免了二次穿刺。本文所提出的方法为提高手术安全性与成功率提供了一种有效解决方案。未来,计划在活体动物、临床试验中进行验证,并开展更多的实际操作实验,进一步评估其在真实手术中的表现。随着中国在机器人辅助手术领域的持续发展,特别是在高精度手术中的应用前景,有望在眼科手术中应用。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

郝静, 陈志杰, 刘法, 等. 视网膜中央静脉阻塞后发生新生血管性青光眼的危险因素和预测模型建立[J]. 国际眼科杂志, 2022, 22(5): 780-784.
[2]

Hao Jing, Chen Zhijie, Liu Fa, et al. Risk factors and prediction model establishment of neovascular glaucoma following central retinal vein occlusion[J]. International Journal of Ophthalmology, 2022, 22(5): 780-784.
[3]

Peng Y, Tang L, Zhou Y. Subretinal injection: a review on the novel route of therapeutic delivery for vitreoretinal diseases[J]. Ophthalmic Research, 2017, 58(4): 217-226.
[4]

Wang T, Li H, Pu T, et al. Microsurgery robots: applications, design, and development[J]. Sensors, 2023, 23(20): 8503.
[5]

Gupta P K, Jensen P S, de Juan E. Surgical forces and tactile perception during retinal microsurgery[C]//Medical Image Computing and Computer-Assisted Intervention—MICCAI’99: Second International Conference. Berlin: Springer, 1999: 1218-1225.
[6]

Poorten E V, Riviere C N, Abbott J J, et al. Robotic retinal surgery[M]// Handbook of Robotic and Image-Guided Surgery. Amsterdam: Elsevier, 2020: 627-672.
[7]

Ebrahimi A, Urias M G, Patel N, et al. Adaptive control improves sclera force safety in robot-assisted eye surgery: a clinical study[J]. IEEE Transactions on Biomedical Engineering, 2021, 68(11): 3356-3365.
[8]

Bian G B, Wang J, Fu P, et al. A tremor suppression and noise removal algorithm for microscopic robot-assisted cataract surgery[J]. IEEE/ASME Transactions on Mechatronics, 2023, 28(5): 2941-2952.
[9]

Jacobsen M F, Konge L, Alberti M, et al. Robot-assisted vitreoretinal surgery improves surgical accuracy compared with manual surgery: a randomized trial in a simulated setting[J]. Retina, 2020, 40(11): 2091-2098.
[10]

Alamdar A, Usevitch D E, Wu J, et al. Steady-hand eye robot 3. 0: Optimization and benchtop evaluation for subretinal injection[J]. IEEE Transactions on Medical Robotics and Bionics, 2023, 6(1): 135-145.
[11]

Gijbels A, Smits J, Schoevaerdts L, et al. In-human robot-assisted retinal vein cannulation, a world first[J]. Annals of Biomedical Engineering, 2018, 46: 1676-1685.
[12]

Yin X, Pan L, Cai S. Robust adaptive fuzzy sliding mode trajectory tracking control for serial robotic manipulators[J]. Robotics and Computer-Integrated Manufacturing, 2021, 72: 101884.
[13]

董慧芬, 高爽笑, 宋金海. 基于径向基神经网络的Delta机器人位置精度补偿[J]. 科学技术与工程, 2020, 20(31): 12883-12889.
[14]

Dong Huifen, Gao Shuangxiao, Song Jinhai. Position accuracy compensation of Delta robot based on RBF neural network[J]. Science Technology and Engineering, 2020, 20(31): 12883-12889.
[15]

Rauf A, Rehman A U, Khan A, et al. Adaptive control of robotic manipulator with input deadzone and disturbances/uncertainties[J]. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 2024, 238(16): 8330-8338.
[16]

唐军, 陈善颖, 谢彬, 等. 基于有限时间干扰观测器的改进模型水下机器人自适应鲁棒容错控制[J]. 科学技术与工程, 2024, 24(11): 4574-4582.
[17]

Tang Jun, Chen Shanying, Xie Bin, et al. Improved model unmanned underwater vehicle adaptive robust fault-tolerant control based on finite time disturbance observer[J]. Science Technology and Engineering, 2024, 24(11): 4574-4582.
[18]

王旭升, 王荣博, 李洋, 等. 基于位置控制的多自由度机械臂非线性比例-微分阻抗控制[J]. 科学技术与工程, 2023, 23(24): 10410-10418.
[19]

Wang Xusheng, Wang Rongbo, Li Yang, et al. Position-based impedance control of a multi-DOF arm by using nonlinear proportional-differential operation[J]. Science Technology and Engineering, 2023, 23(24): 10410-10418.
[20]

刘玉, 常志远, 李珂, 等. 动态环境下的自适应变阻抗控制方法[J]. 制造技术与机床, 2025(2): 30-35.
[21]

Liu Yu, Chang Zhiyuan, Li Ke, et al. Adaptive impedance control method in dynamic environments[J]. Manufacturing Technology and Machine Tools, 2025 (2): 30-35.
[22]

俞子牛, 刘跃跃, 巫亦浩, 等. 基于阻抗模型的不确定环境下微纳操作力跟踪控制策略研究[J]. 仪器仪表学报, 2023, 44(3): 191-199.
[23]

Yu Ziniu, Liu Yueyue, Wu Yihao, et al. Research on micro-nano force tracking control strategy under uncertain environments based on impedance model[J]. Journal of Instrumentation, 2023, 44(3): 191-199.
[24]

Zhou H, Ma S, Wang G, et al. A hybrid control strategy for grinding and polishing robot based on adaptive impedance control[J]. Advances in Mechanical Engineering, 2021, 13(3): 1-21.
[25]

Sahota J K, Gupta N, Dhawan D. Fiber Bragg grating sensors for monitoring of physical parameters: a comprehensive review[J]. Optical Engineering, 2020, 59(6): 060901.
[26]

褚文敏, 周蒯, 滕利臣. 基于分布式三维力传感器的装配接触力测量方法[J]. 仪器仪表学报, 2024, 45(11): 30-41.
[27]

Chu Wenmin, Zhou Kuai, Teng Lichen. An assembly contact force measurement method based on distributed three-dimensional force sensors[J]. Journal of Instrumentation, 2024, 45(11): 30-41.
[28]

Campanella C E, Cuccovillo A, Campanella C, et al. Fibre Bragg grating based strain sensors: review of technology and applications[J]. Sensors, 2018, 18(9): 3115.

基金资助

国家重点研发计划(2022YFB4702900)

北京市自然科学基金联合基金(L232038)

北京市自然科学基金联合基金(L252002)

PDF (7698KB)

52

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录