مروری بر کاربردهای پیشرفته روبات‌‌های صنعتی: روندها و امکانات جدید (بخش دوم)

بسپار/ ایران پلیمر این مقاله مروری، به کاربردهای پیشرفته فناوری‌‌های روبات‌‌شناسی (Robotics) در زمینه صنعتی، اختصاص دارد که در بخش دوم به کاربردهای آن پرداخته شده است.

کاربردهای پزشکی

سامانه جراحی داوینچی (da Vinci Surgical System) شناخته‌‌شده‌‌ترین بازوی مکانیکی روباتی است که در کاربردهای جراحی استفاده می‌‌شود. در منابع، یک فناوری بازوی مکانیکی روباتی (Patient Side Manipulator) با نام اختصاری PSM برای پیاده‌‌سازی الگوریتم‌‌های یادگیری تقویتی برای روبات‌‌های جراحی داوینچی ارایه شده است. نویسندگان، اولین محیط یادگیری تقویتی منبع باز (open-source یک کد منبع است که برای اصلاح و توزیع مجدد احتمالی آزادانه در دسترس قرار می‌گیرد. محصولی، شامل اجازه استفاده از کد منبع، اسناد طراحی یا محتوای محصول می‌‌باشد، مترجم) را برای روبات‌‌های جراحی به نام dVRL ارایه کردند. این محیط، امکان آموزش سریع روبات‌های داوینچی را برای کمک خودکار و مستقل و کارهای مشترک یا تکراری در حین جراحی می‌دهد. در طول آزمایش‌ها، سیاست کنترل dVRL به‌‌طور موثری آموخته شد و مشخص شد که می‌توان آن را با حداقل تلاش به یک روبات واقعی منتقل کرد. اگرچه محیط پیشنهادی منجر به اقدامات ساده و ابتدایی رسیدن و چیدن شد، اما برای مکش و حذف بقایا در یک محیط جراحی واقعی مفید بود.

در همین حال، گروهی از محققان در کار خود، نقش روش‌‌های یادگیری دستگاهی در جراحی را با تمرکز بر روبات‌‌شناسی جراحی بررسی کردند . آن‌‌ها دریافتند که درحال حاضر، جامعه تحقیقاتی با چالش‌‌های زیادی در کاربرد یادگیری دستگاهی در جراحی و جراحی روباتی مواجه است. مسایل اصلی عبارت از فقدان داده‌‌های پزشکی و جراحی باکیفیت زیاد، فقدان معیارهای قابل اعتماد که به اندازه کافی ویژگی‌‌های یادگیری را منعکس می‌‌کند و فقدان یک رویکرد ساختاریافته برای انتقال موثر مهارت‌‌های جراحی برای اجرای خودکار می‌‌باشند.

با این وجود، کاربرد یادگیری عمیق در روبات‌‌شناسی نیاز به مطالعه بسیار وسیع دارد. مقاله گروهی از محققان در سال 2017، مزایا و چالش‌‌های روبات‌‌شناسی را بازنگری می‌‌کند. به‌‌طور مشابه با کارهای گذشته، آن‌‌ها دریافتند که محدودیت‌‌های اصلی مانع یادگیری عمیق در روبات‌‌شناسی پزشکی، حجم زیاد داده‌‌های آموزشی مورد نیاز و زمان آموزش به نسبت طولانی است.

جراحی تنها زمینه‌ای در پزشکی نیست که می‌توان از بازوهای مکانیکی روباتی در آن استفاده کرد. یک سامانه روباتی خودکار دیگر که توسط گروهی از محققان توصیف شده است، کنترل مشترک یک بازوی روباتی را بر اساس تعامل یک رابط مغز و دستگاه (BMI) و یک سامانه هدایت بینایی معرفی می‌‌کند. یک BMI برای تعریف قصد کاربر برای گرفتن یا انتقال یک شی استفاده می‌‌شود. هدایت بینایی برای وظایف کنترلی سطح پایین، حرکات با برد کوتاه، تعریف موقعیت بهینه گرفتن، ترازکردن بازوی عملگر انتهایی روبات و گرفتن استفاده می‌‌شود. آزمایش‌ها ثابت کردند که حرکات کنترلی مشترک دقیق‌تر، کارآمدتر و با پیچیده‌‌گی کمتر از وظایف انتقال با استفاده از BMI به تنهایی هستند.

مورد دیگری که نیاز به روش‌‌های برنامه‌‌نویسی سریع روباتی دارد و در پزشکی استفاده می‌‌شود، ارزیابی توانایی‌‌های عملکردی در ارزیابی ظرفیت عملکردی (FCEs) می‌‌باشد. درحال حاضر، هیچ راه‌‌حل منطقی واحدی وجود ندارد که تمام یا بسیاری از وظایف کاری استاندارد را شبیه‌‌سازی کند و بتوان از آن برای بهبود ارزیابی و توانبخشی کارگران آسیب‌‌دیده استفاده کرد. بنابراین، نویسندگان پیشنهاد کردند که با استفاده از سامانه روباتی و الگوریتم‌های یادگیری دستگاهی، می‌توان وظایف محل کار را شبیه‌سازی کرد. چنین سامانه‌‌ای می‌تواند ارزیابی توانایی‌های عملکردی در FCEs و توانبخشی عملکردی را با انجام مانورهای دستیابی یا وظایف پیچیده‌تر آموخته‌شده از یک درمانگر با تجربه، بهبود بخشد. اگرچه این نوع تحقیقات هنوز در مراحل اولیه است، روبات‌‌شناسی با الگوریتم‌های یادگیری دستگاهی یکپارچه می‌تواند ارزیابی توانایی‌های عملکردی را بهبود بخشد.

اگرچه وظیفه اصلی بازوهای مکانیکی روباتی، به‌‌کارگیری و استفاده مستقیم اشیا یا ابزارها در پزشکی است، اما می‌‌توان از این بازوهای مکانیکی برای اهداف درمانی برای افراد مبتلا به اختلالات روحی یا جسمی نیز استفاده کرد. چنین کاربردهایی اغلب به دلیل توانایی درک خودکار و پاسخ‌‌گویی در صورت نیاز برای حفظ یک تعامل جالب و خوشایند محدود می‌‌شوند. گروهی از محققان یک چارچوب یادگیری عمیق شخصی‌‌سازی‌‌شده ارایه کردند که می‌‌تواند ادراک روبات را تطبیق دهد. آن‌‌ها در این آزمایش بر ادراک روباتی تمرکز کردند که برای آن یک سامانه یادگیری عمیق فردی ایجاد کرده بودند و این سامانه می‌توانست به‌‌طور خودکار حالات عاطفی و سطح درگیری بیمار را ارزیابی کند. این موضوع، نظارت بر پیشرفت درمان و بهینه‌‌سازی تعامل بین بیمار و روبات را آسان‌‌تر می‌‌کند.

فناوری‌‌های روباتی را می‌‌توان در دندان‌‌پزشکی نیز به کار برد. تا امروز، عدم پیاده‌‌سازی ایده‌‌های اساسی وجود داشته است. گروهی از محققان در بررسی جامع روبات‌‌شناسی و کاربرد هوش مصنوعی، رویکردهای متعددی برای کاربرد این فناوری‌‌ها را ارایه کردند. از فناوری‌‌های روباتی در دندان‌‌پزشکی می‌‌توان برای جراحی فک و صورت (maxillofacial)، آماده‌‌سازی دندان، آزمایش مسواک‌‌ها، درمان ریشه (root canal) و برداشتن پُژَک یا جرم‌‌دندان (plaque، نهشته‌ای نرم و نازک که روی سطح دندان‌ها تشکیل می‌شود، مترجم)، ارتودنسی (orthodontic) و حرکت فک، آرایش دندان برای دندان‌‌مصنوعی (denture)، رادیوگرافی تصویربرداری پرتو ایکس (X-ray)، لوله نمونه‌‌برداری (swab، یک وسیله پزشکی است که برای جمع‌‌آوری نمونه‌‌های زیستمند از بدن انسان استفاده می‌‌شود و امکان انتقال و نگهداری نمونه را فراهم می‌‌کند، مترجم) و غیره استفاده کرد.

خلاصه‌‌ای از تحقیقات متمرکز بر روبات‌‌شناسی در کاربردهای پزشکی در جدول 1 ارایه شده است. مشاهده می‌‌شود که روبات‌‌ها هنوز در این زمینه بسیار محبوب نیستند و عوامل فنی و فیزیکی-اخلاقی می‌‌توانند این موضوع را توضیح دهند. از نقطه نظر فنی، بیشتر پیاده‌‌سازی فعال به دلیل فقدان روش‌‌های آماده‌‌سازی برنامه روباتی سریع و قابل اعتماد محدود شده است. با توجه به عوامل روانی و اخلاقی، روبات‌‌ها هنوز برای بخش بزرگی از جامعه غیرقابل اعتماد هستند. بنابراین، آن‌‌ها فقط با تردید قابل‌‌توجهی پذیرفته می‌‌شوند.

برگردان: مهندس پدرام ملائکه [email protected]

(ادامه دارد …)

متن کامل این مقاله را در شماره 260 ماهنامه بسپار که در نیمه خرداد ماه 1403 منتشر شده است، می خوانید.

در صورت تمایل به دریافت نسخه نمونه رایگان و یا دریافت اشتراک با شماره های ۰۲۱۷۷۵۲۳۵۵۳ و ۰۲۱۷۷۵۳۳۱۵۸ داخلی ۳ سرکار خانم ارشاد تماس بگیرید. نسخه الکترونیک این شماره از طریق طاقچه  و  فیدیبو  قابل دسترسی است.