Autonomous Robotic Drilling System for Mice Cranial Window Creation: An Evaluation with an Egg Model

要約

生命科学における実験操作のロボット支援は、科学者のスキルに関係なく、貴重なサンプルの正確な操作を可能にすることが期待されています。
生命科学の実験試料は、個体差や変形の影響を受けるため、自律的なロボット制御が必要です。
一例として、マウスへの頭蓋窓の取り付けを研究しています。
この操作では、厚さ約 300 um の頭蓋骨を取り除き、直径 8 mm の円形に切断する必要がありますが、マウスの頭蓋骨の形状は、マウスの系統、性別、週齢によって異なります。
頭蓋骨の厚みは均一ではなく、薄いところと厚いところがあります。
また、操作ごとにマウスの頭蓋骨が同​​じ位置に保たれるようにすることも困難です。
これらすべての機能を測定し、個々のマウスのロボット軌道を事前にプログラムすることは現実的に不可能です。
したがって、この論文では、自律的なロボット掘削方法を提案しています。
提案された方法は、掘削軌道計画と画像ベースのタスク完了レベル認識で構成されます。
軌道計画では、各離散点でのタスク完了レベルに応じてドリルの Z 位置を調整し、オーバーシュートを回避しながら、制約付き 3 次スプライン補間によって 3D 掘削パスを形成します。
タスク完了レベルの認識では、DSSD にヒントを得たディープ ラーニング モデルを使用して、各離散ポイントのタスク完了レベルを推定します。
卵は、形状、厚さ、および機械的特性の点でマウスの頭蓋骨と同様の特性を持っているため、下の膜を損傷することなく卵殻を除去することがシミュレーション タスクとして選択されました。
提案された方法は、ドリルを保持している 6 自由度のロボット アームを使用して評価され、20 回の試行のうち 80% の成功率を達成しました。

要約(オリジナル)

Robotic assistance for experimental manipulation in the life sciences is expected to enable precise manipulation of valuable samples, regardless of the skill of the scientist. Experimental specimens in the life sciences are subject to individual variability and deformation, and therefore require autonomous robotic control. As an example, we are studying the installation of a cranial window in a mouse. This operation requires the removal of the skull, which is approximately 300 um thick, to cut it into a circular shape 8 mm in diameter, but the shape of the mouse skull varies depending on the strain of mouse, sex and week of age. The thickness of the skull is not uniform, with some areas being thin and others thicker. It is also difficult to ensure that the skulls of the mice are kept in the same position for each operation. It is not realistically possible to measure all these features and pre-program a robotic trajectory for individual mice. The paper therefore proposes an autonomous robotic drilling method. The proposed method consists of drilling trajectory planning and image-based task completion level recognition. The trajectory planning adjusts the z-position of the drill according to the task completion level at each discrete point, and forms the 3D drilling path via constrained cubic spline interpolation while avoiding overshoot. The task completion level recognition uses a DSSD-inspired deep learning model to estimate the task completion level of each discrete point. Since an egg has similar characteristics to a mouse skull in terms of shape, thickness and mechanical properties, removing the egg shell without damaging the membrane underneath was chosen as the simulation task. The proposed method was evaluated using a 6-DOF robotic arm holding a drill and achieved a success rate of 80% out of 20 trials.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google