Effet du paramétrage

Le mécanisme peut être paramétré avec 13 variables, ou l’intuition humaine peut être utilisée initialement pour réduire la dimension à optimiser. Les résultats suivants expliquent à quel point l’intuition humaine est proche du résultat optimisé pour certaines stratégies de récompense. Lorsque nous optimisions le mécanisme en récompensant la performance du mécanisme inversement proportionnelle à la distance du point (α, β) de (0, 0), le paramétrage général conduit à un résultat optimisé avec des paramètres très proches des 4 paramétrages choisis par l’homme. Pour comprendre l’importance de réduire la dimension d’optimisation ainsi que l’ef- fet des différentes contraintes sur le temps de calcul, le tableau 5.2 présente le nombre d’itérations et le temps pour chaque itération en optimisant avec 4 paramètres et 13 paramètres. De plus, comme la discrétisation et les critères de recherche sont plus stricts dans la recherche fine, ces recherches plus fines sont très coûteuses en calcul. Ceci cor- robore notre proposition d’une recherche grossière nous permettant de choisir quelques simplexes valides afin d’initier une recherche beaucoup plus approfondie d’un meilleur point optimal. Dans la variation de l’architecture 2UPS-U, le cardan de la troisième jambe définit les deux axes de rotation ainsi que le centre de rotation, qui peut être déporté par le parallélogramme, comme le montre la Figure 5.38. Comme vu précédemment, ce mécanisme peut être paramétré selon 13 paramètres à optimiser, résumées dans le tableau 5.3.

Nous présentons ici les résultats obtenus en optimisant le nombre de conditionnement global et en récompensant un point valide dans l’espace de travail comme 1 et 0. Le temps nécessaire pour évaluer une instance, c’est-à-dire un ensemble donné de paramètres, a été enregistré en même temps que le temps moyen pour un seul départ, c’est-à-dire l’opéra- tion complète jusqu’à ce que l’algorithme s’arrête pour renvoyer les paramètres optimisés localement. Il a ensuite été analysé pour noter l’impact des différents choix d’objectifs sur le temps total d’optimisation. Les résultats sont présentés dans le tableau 5.4 et le temps de calcul est enregistré sur le même système et ne doit être utilisé qu’à des fins de comparaison. La Figure 5.44 présente le tracé schématique pour le mécanisme optimisé pour un indice de performance global maximal, accompagné de la heatmap pour l’éva- luation de cet indice avec les paramètres optimisés. De la même manière, la Figure 5.45 illustre le schéma et la heatmap de la performance reliée au facteur d’amplification de vitesse pour les paramètres optimisés correspondants. Il est intéressant de constater à partir des schémas présents sur les deux figures que les paramètres optimisés tendent vers une architecture telle que les jambes actionnées soient écartés de Figure 5.45 – Tracé schématique pour le mécanisme optimisé pour le facteur d’amplifi- cation de vitesse, et heatmap de l’évaluation.

Dès l’analyse fonctionnelle 4.3, nous avons identifié cet axe de travail, pour développer ce mode de contrôle pour le robot. La possibilité de libérer les mains du chirurgien grâce à ce type de suivi est également un point d’attente fort exprimé par les chirurgiens lors de l’étude de marché 4.6. Pour pouvoir effectuer au mieux le tracking de l’objet, nous avons choisi d’effectuer un traitement de la source vidéo. Par exemple, si l’outil choisi est la canule d’aspiration métallique, il semble judicieux d’utiliser un masquage pour faire ressortir la couleur grise de l’instrument du fond de la vidéo, majoritairement rouge (tissus, sang, . . . ). Nous avons choisi la fonction mask de la librairie OpenCV, qui va isoler une teinte de couleur en se basant sur un modèle TSV (Teinte Saturation Valeur, HSV en anglais) des couleurs. Nous avons donc eu l’idée d’ajouter une couleur sur l’outil qui ne soit pas présente dansle reste de l’image. Nous avons initialement choisi la teinte bleue d’une bande collante usuellement présente dans les blocs opératoires. En effet, le bleu n’est pas une couleur présente en anatomie, ce qui limite le risque de fausse reconnaissance lors de l’utilisation du logiciel. Le masquage sera donc concentré sur la couleur du strap du bout de l’outil et permettra de le faire ressortir aisément et de limiter les pertes de tracking (Figure 5.47). Cependant, la réflexion de la lumière sur la bande collante bleue lui donnait, dans certaines circonstances, une couleur plutôt blanche, ce qui rendait l’algorithme inefficace. Nous avons alors choisi d’utiliser un scotch bicolore pour augmenter la robustesse du suivi. Les couleurs choisies étaient le jaune et le vert, deux autres couleurs bien différentes de la couleur rosée souvent visualisée lors d’une intervention endoscopique. Cependant, un autre choix de couleurs est bien sûr possible, et le programme est adapté pour convenir à différentes combinaisons de couleurs.