비선형 임피던스 매칭으로 안전한 로봇 복강경 수술 촉각 피드백 구현

초록

본 논문은 기존의 선형 임피던스 매칭 접근법(IMA)을 확장하여 비선형 동역학을 고려한 NIMA(Nonlinear Impedance Matching Approach)를 제안한다. 신경망 기반 툴팁 힘 추출과 RCM 마찰 보정을 통해 실제 조직‑툴 상호작용 힘을 정확히 추정하고, 실시간으로 비선형 임피던스 파라미터를 식별한다. 실험 결과 평균 절대 오차는 0.01 N(±0.02 N)로 95 % 향상되었으며, 손잡이 해제 시 힘이 0이 되도록 하여 ‘킥백’ 현상을 제거한다.

상세 분석

본 연구는 로봇 보조 최소 침습 수술(RAMIS)에서 촉각 피드백을 구현하기 위한 핵심 과제인 ‘안정성’과 ‘정밀도’를 동시에 달성하고자 한다. 기존 IMA는 힘 오류를 위치 오류로 변환해 내부 위치 제어 루프를 이용함으로써 안정성을 확보했지만, 선형 임피던스 모델에 한정돼 복잡한 조직‑툴 비선형 상호작용을 정확히 재현하지 못했다. NIMA은 이러한 한계를 극복하기 위해 두 가지 주요 기술을 도입한다. 첫째, 툴팁에 부착된 6축 힘‑토크 센서와 로봇 관절에 장착된 센서 데이터를 입력으로 하는 다층 퍼셉트론(MLP) 신경망을 학습시켜, RCM(원격 중심점)에서 발생하는 마찰력을 분리하고 순수한 조직‑툴 접촉력을 추정한다. 이 과정에서 좌표 변환 행렬을 자동 보정하는 캘리브레이션 절차를 포함해 센서 프레임 간의 정합 오차를 <0.1 mm, <0.2 ° 수준으로 최소화한다. 둘째, 실시간 비선형 임피던스 매개변수(M, B, K)를 적응적으로 업데이트하는 확장 칼만 필터(EKF) 기반 추정기를 적용한다. 비선형 모델은 힘‑변위 관계를 다항식(3차) 형태로 표현해, 조직 경도 변화, 비선형 탄성 및 점탄성 효과를 포착한다. 이렇게 얻어진 매개변수 M은 피드백 힘 f_d = M·X(위치 명령)로 변환되어 리더 측 햅틱 디바이스에 전달된다.

시스템 구현 측면에서는 Kinova Gen3 7‑DOF 로봇 팔 두 대와 Force Dimension Omega.7 햅틱 컨트롤러, Bota 6‑축 힘‑토크 센서, 그리고 Dynamixel 기반 맞춤형 수술 도구를 통합한 실험 플랫폼을 구축했다. 실험은 (1) 좌표 캘리브레이션 정확도 검증, (2) 신경망 기반 힘 추출 정확도 평가, (3) 전체 NIMA 흐름을 통한 3축 힘 재현 성능 검증의 세 단계로 구성되었다. 결과는 선형 IMA 대비 평균 절대 오차(MAE)가 0.03 N에서 0.01 N으로 66 % 감소했으며, 표준편차도 0.05 N에서 0.02 N으로 크게 감소함을 보여준다. 특히, 사용자가 핸들을 놓을 때 발생하던 ‘킥백’ 현상이 0 N으로 수렴함을 확인했으며, 이는 사용자 피로 감소와 환자 안전성 향상에 직접적인 기여를 의미한다.

또한, 논문은 기존 촉각 피드백 방법들을 표 1에 정리해 비교한다. 직접 팁 센싱, 근위 센싱, 모델 기반 센서리스, 비전 기반, 그리고 의사결정형(의사-시뮬레이션) 접근법을 하드웨어 의존성, 알고리즘 복잡도, 센서 필요성 등으로 구분했으며, NIMA은 ‘하드웨어 의존성 낮음·알고리즘 복잡도 중간·센서 의존성 높음’으로 위치한다. 이는 기존의 고비용 팁 센서와 달리 소프트웨어 중심의 비선형 모델링으로 비용 효율성을 유지하면서도 높은 정확도를 제공한다는 장점을 강조한다.

전반적으로 NIMA은 비선형 조직 특성을 실시간으로 학습·보정함으로써, RAMIS 환경에서 촉각 피드백의 안정성·정밀도·사용자 편의성을 동시에 달성한 혁신적인 프레임워크라 할 수 있다. 향후 연구에서는 다양한 조직 종류와 실제 임상 시나리오에 대한 일반화 검증, 그리고 멀티모달(비전·진동) 피드백과의 융합을 통해 더욱 포괄적인 촉각 보조 시스템을 구축할 여지가 있다.