Design of predictive and adaptive control frameworks for robotic cardiac interventions

Cardiovascular diseases are the leading cause of mortality worldwide, with structural heart diseases such as Mitral Valve Regurgitation (MVR) representing a clinically significant and growing burden. Transcatheter approaches, including Transcatheter Mitral Valve Repair (TMVR) via the MitraClip device, have emerged as minimally invasive alternatives to open-heart surgery, offering reduced operative risk particularly for high-risk patients. Despite their clinical advantages, these procedures remain technically demanding: clinicians must navigate flexible instruments through tortuous vascular anatomies, operate within the dynamic environment of the beating heart, and rely on fluoroscopic guidance that exposes both patients and staff to ionizing radiation. Two fundamental challenges underlie these difficulties: accurate motion control toward anatomical targets that move continuously with the cardiac cycle, and safe force regulation during contact-rich interaction with soft biological tissues whose mechanical behavior is nonlinear, viscoelastic, and highly patient-specific. Robotic assistance offers a promising path toward safer, more precise, and more reproducible transcatheter procedures, but its clinical deployment demands control strategies that are predictive, adaptive, and capable of operating under significant model uncertainty and environmental variability. This Thesis develops and validates a set of complementary control frameworks for robotic transcatheter cardiac interventions, addressing both the motion control and the tissue interaction challenges across two robotic platforms: a tendon-driven continuum robot for intracardiac navigation and valve targeting, and a rigid robotic system for the study and autonomous execution of transseptal puncture. While these platforms differ in mechanical nature, they share a common clinical context and a common methodological thread: the integration of model-based, predictive, and learning-based strategies to achieve safe and accurate robot-assisted cardiac interventions. The first contribution presents a model-based position control strategy for a tendon-driven variable-length continuum robot for minimally invasive mitral valve repair. A constant curvature kinematic model is combined with a Jacobian-based closed-loop controller and real-time electromagnetic tip tracking, with stability formally established via Lyapunov analysis. Experimental validation on patient-specific cardiovascular phantoms achieves a trajectory following error of 2.43 mm, a target position error of 1.92 mm, and a computation time of 0.4 s per trajectory point, significantly outperforming the Cosserat-based state of the art in both accuracy and computational efficiency. These results, however, were obtained under a static target assumption, a condition that does not reflect the clinical reality, where the mitral valve undergoes continuous periodic displacement with each heartbeat. This limitation motivates the second contribution, which tackles the problem of accurate targeting under physiological cardiac motion. The second contribution develops an ultrasound-based predictive control framework integrating real-time Mitral Annular Plane Systolic Excursion (MAPSE) estimation, Extended Kalman Filter-based motion prediction, model predictive trajectory planning, and online Jacobian adaptation. As a first step toward full clinical integration, motion is considered along a single dominant direction, and MAPSE waveforms extracted from a public echocardiographic dataset are used to drive a motorized testbed reproducing valve-like dynamics. The framework achieves a success rate of 95% in dynamic target reaching compared to 55% and 75% for classical Model Predictive Control (MPC) and analytical Proportional–Integral–Derivative (PID) baselines, with a time-to-target of 258 ±47 s and a perception module operating at 65 Hz on CPU, without reliance on ionizing radiation. While the first two contributions address navigation and dynamic targeting of the mitral valve, a second fundamental challenge in transcatheter cardiac interventions remains open: safely crossing the interatrial septum, whose outcome depends critically on tissue mechanics that vary significantly across patients and are not yet well characterized in the context of robotic puncture. This gap motivates the third contribution. The third contribution provides a systematic mechanical characterization of the fossa ovalis under robotic needle insertion. A silicone phantom replicating its geometry and mechanical properties is developed and validated against ex-vivo and literature data. Experiments across varying puncture velocities reveal that increasing insertion speed reduces peak needle cutting force by up to 24% and tissue deformation by up to 13%, while increasing post-breakthrough overshoot. These findings together establish quantitative design criteria for safe autonomous puncture controllers. Building on these findings, the fourth contribution translates this preliminary tissue characterization into a control strategy capable of adapting in real time to patient-specific anatomical variability. A Human Impedance Model, identified from teleoperated demonstrations and encoded in a Gaussian Mixture Model trained on paired force-stiffness data, captures the time-varying stiffness profiles of clinicians. At runtime, Gaussian Mixture Regression drives an Adaptive Impedance Controller that modulates the robot’s impedance in real time in response to the evolving mechanical state of the tissue. Validated across five fossa ovalis phantom configurations and ex-vivo tissue, the approach achieves reductions in peak puncture force of up to 35% and statistically significant improvements in post-breakthrough overshoot compared to fixed-stiffness controllers across all anatomical conditions tested. Taken together, these four contributions establish a clinically motivated and technically rigorous framework for predictive and adaptive robotic control of transcatheter cardiac interventions. By combining model-based control, ultrasound-guided motion prediction, tissue characterization, and learning from demonstration, this work advances the state of the art toward robotic systems capable of operating safely and autonomously within the dynamic and uncertain environment of the beating heart. This work opens a concrete path toward the clinical translation of robotic assistance in transcatheter cardiac procedures.

Le malattie cardiovascolari rappresentano la principale causa di mortalità mondiale, e le cardiopatie strutturali come il Rigurgito della Valvola Mitrale (MVR) costituiscono un onere clinico rilevante e in crescita. Gli approcci transcatetere, tra cui la Riparazione Transcatetere della Valvola Mitrale (TMVR) tramite dispositivo MitraClip, si sono affermati come alternative minimamente invasive alla chirurgia a cuore aperto, offrendo un ridotto rischio operatorio per i pazienti ad alto rischio chirurgico. Nonostante i loro vantaggi clinici, queste procedure rimangono tecnicamente impegnative: i clinici devono navigare strumenti flessibili attraverso anatomie vascolari tortuose, operare nell’ambiente dinamico del cuore battente e affidarsi a una guida fluoroscopica che espone pazienti e operatori a radiazioni ionizzanti. Due sfide fondamentali e aperte caratterizzano queste difficoltà: il controllo accurato del moto verso bersagli anatomici in continuo movimento con il ciclo cardiaco, e la regolazione sicura delle forze durante l’interazione con tessuti biologici molli dal comportamento nonlineare, viscoelastico e altamente variabile tra pazienti. L’assistenza robotica offre una strada promettente verso procedure più sicure, precise e riproducibili, ma il suo impiego clinico richiede strategie di controllo predittive, adattive e capaci di operare in condizioni di significativa incertezza modellistica e variabilità ambientale. Questa Tesi sviluppa e valida un insieme di framework di controllo complementari per interventi cardiaci transcatetere robotici, affrontando sia la sfida del controllo del moto che quella dell’interazione con i tessuti, su due piattaforme robotiche: un robot continuo attuato a tendini per la navigazione intracardiaca e il targeting della valvola, e un sistema robotico rigido per lo studio e l’esecuzione autonoma della puntura transettale. Pur differendo nella natura meccanica, queste piattaforme condividono lo stesso contesto clinico e lo stesso filo metodologico: l’integrazione di strategie model-based, predittive e basate sull’apprendimento per interventi cardiaci robotici sicuri e accurati. Il primo contributo presenta una strategia di controllo in posizione basata su modello per un robot continuo a lunghezza variabile attuato a tendini per la riparazione minimamente invasiva della valvola mitrale. Un modello cinematico a curvatura costante è combinato con un controllore in anello chiuso basato sullo Jacobiano e feedback elettromagnetico in tempo reale della posizione del tip, con stabilità dimostrata tramite analisi di Lyapunov. La validazione su phantom cardiovascolari paziente-specifici raggiunge un errore di inseguimento della traiettoria di 2.43 mm, un errore di posizionamento di 1.92 mm e un tempo di calcolo di 0.4 secondi per punto, superando significativamente lo stato dell’arte basato su modelli di Cosserat per accuratezza ed efficienza computazionale. Questi risultati sono stati tuttavia ottenuti assumendo un target statico, una condizione che non riflette la realtà clinica, in cui la valvola mitrale subisce uno spostamento periodico continuo ad ogni battito cardiaco. Questo limite motiva il secondo contributo, che affronta il problema del targeting accurato in presenza di moto cardiaco fisiologico. Il secondo contributo sviluppa un framework di controllo predittivo basato su ultrasuoni, integrando la stima in tempo reale dell’Escursione Sistolica del Piano Anulare Mitralico (MAPSE), la predizione del moto tramite Extended Kalman Filter, la pianificazione predittiva della traiettoria e l’adattamento online dello Jacobiano. Come primo passo verso la piena integrazione clinica, il moto è considerato lungo una singola direzione dominante, e i profili MAPSE estratti da un dataset ecocardiografico pubblico sono utilizzati per azionare un testbed motorizzato che riproduce dinamiche simili a quelle valvolari. Il framework raggiunge un tasso di successo del 95% nel raggiungimento del target dinamico rispetto al 55% e al 75% delle baseline MPC e PID analitico e con un tempo al target di 258 ± 47 secondi e un modulo di percezione operante a 65 Hz su CPU, senza ricorso a radiazioni ionizzanti. Mentre i primi due contributi studiano la navigazione e il targeting dinamico della valvola mitrale, una seconda sfida fondamentale rimane aperta negli interventi cardiaci transcatetere: attraversare in sicurezza il setto interatriale, il cui esito dipende criticamente dalle proprietà meccaniche del tessuto, che variano significativamente tra pazienti e non sono ancora ben caratterizzate nel contesto della puntura robotica. Questa lacuna motiva il terzo contributo. Il terzo contributo fornisce una caratterizzazione meccanica sistematica della fossa ovalis in condizioni di inserzione robotica dell’ago. Un phantom in silicone che replica la geometria e le proprietà meccaniche della fossa ovalis è sviluppato e validato rispetto a dati ex-vivo e di letteratura. Esperimenti a diverse velocità di puntura rivelano che l’aumento della velocità di inserzione riduce la forza di taglio dell’ago fino al 24% e la deformazione tissutale fino al 13%, aumentando al contempo l’overshoot post-perforazione. Questi risultati stabiliscono criteri quantitativi di progettazione per controllori autonomi di puntura sicuri. Basandosi su questi risultati, il quarto contributo traduce questa caratterizzazione preliminare del tessuto in una strategia di controllo capace di adattarsi in tempo reale alla variabilità anatomica paziente-specifica. Un Modello di Impedenza Umana identificato da dimostrazioni teleoperate cattura i profili di rigidità variabili nel tempo di clinici esperti, codificati in un Gaussian Mixture Model addestrato su dati accoppiati forza-rigidità. A runtime, la Gaussian Mixture Regression guida un Controllore Adattivo dell’Impedenza che modula in tempo reale l’impedenza del robot in risposta allo stato meccanico evolutivo del tessuto. Validato su cinque configurazioni di phantom della fossa ovalis e su tessuto ex-vivo, l’approccio ottiene riduzioni della forza di puntura fino al 35% e miglioramenti statisticamente significativi dell’overshoot post-perforazione rispetto a controllori a rigidità fissa in tutte le condizioni anatomiche testate. Nel complesso, questi quattro contributi stabiliscono un framework clinicamente motivato e tecnicamente rigoroso per il controllo robotico predittivo e adattivo degli interventi cardiaci transcatetere. Combinando controllo basato su modello, predizione del moto guidata da ultrasuoni, caratterizzazione del tessuto e apprendimento da dimostrazione, questo lavoro fa avanzare lo stato dell’arte verso sistemi robotici capaci di operare in modo sicuro e autonomo nell’ambiente dinamico e incerto del cuore battente, aprendo un percorso concreto verso la traduzione clinica dell’assistenza robotica nelle procedure cardiache transcatetere.