Closed-Loop Robotic Manipulation of Transparent Substrates for Self-Driving Laboratories using Deep Learning Micro-Error Correction
作者: Kelsey Fontenot, Anjali Gorti, Iva Goel, Tonio Buonassisi, Alexander E. Siemenn
分类: cs.RO, cs.LG
发布日期: 2025-12-04
备注: 15 pages, 8 figures
💡 一句话要点
提出基于深度学习微误差校正的透明基板闭环机器人操作方法，用于自驱动实验室。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自驱动实验室 机器人操作 深度学习 计算机视觉 透明基板 自动化 误差校正
📋 核心要点
- 自驱动实验室在化学和材料发现中加速了高通量和自动化能力，但基板处理和重载环节常被忽视。
- 论文提出ASHE方法，利用机器人、双驱动分配器和深度学习视觉，实现透明基板操作的闭环误差检测与校正。
- 实验表明，ASHE在透明玻璃基板重载中实现了98.5%的首次放置准确率，并能自动纠正错位。
📝 摘要（中文）
本文提出了一种用于自驱动实验室（SDL）的自动化基板处理和交换（ASHE）的闭环方法。该方法利用机器人、双驱动分配器和深度学习驱动的计算机视觉，来检测和纠正脆弱透明基板在操作过程中的误差，从而实现基板的自动处理和重新加载。实验结果表明，ASHE在130次独立的透明玻璃基板重载试验中，首次放置准确率达到98.5%，仅发生两次基板错位，且均被成功检测并自动纠正。通过开发更准确可靠的基板处理方法，本文旨在提升自驱动实验室的自动化能力，加速新型化学和材料的发现。
🔬 方法详解
问题定义：自驱动实验室在材料合成和表征过程中，需要频繁地处理和更换基板。对于脆弱且透明的基板，人工操作容易出错，且效率低下。现有的自动化方法在处理此类基板时，鲁棒性和精度不足，难以满足高通量实验的需求。
核心思路：论文的核心思路是利用闭环控制，通过深度学习驱动的计算机视觉系统实时检测基板的位置和姿态，并利用机器人和双驱动分配器进行精确的调整和校正。这种方法能够有效地减少操作误差，提高基板处理的自动化程度和可靠性。
技术框架：ASHE系统的整体框架包括以下几个主要模块：1) 机器人操作臂，负责基板的抓取、移动和放置；2) 双驱动分配器，用于辅助基板的精确放置；3) 深度学习视觉系统，用于实时检测基板的位置和姿态误差；4) 控制系统，根据视觉系统的反馈，控制机器人和分配器进行误差校正。整个流程是一个闭环控制系统，能够实时地检测和纠正操作误差。
关键创新：该方法最重要的技术创新点在于将深度学习计算机视觉与机器人操作相结合，实现了对透明基板的精确操作和误差校正。传统的机器人操作方法通常依赖于预先设定的轨迹和参数，难以适应基板的微小变化和环境干扰。而本文提出的方法能够通过视觉反馈实时调整操作策略，从而提高操作的鲁棒性和精度。
关键设计：深度学习视觉系统是该方法的核心。具体来说，可能采用了某种目标检测或姿态估计的网络结构（论文中未明确说明具体网络结构，属于未知信息），用于检测透明基板的位置和姿态。损失函数的设计可能考虑了位置误差和姿态误差，以实现精确的误差校正。此外，机器人和分配器的控制策略也需要进行精细的设计，以保证操作的平稳性和精度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，ASHE系统在130次独立的透明玻璃基板重载试验中，首次放置准确率达到98.5%。仅发生两次基板错位，且均被深度学习视觉系统成功检测并自动纠正。这一结果显著提高了透明基板处理的自动化程度和可靠性，为自驱动实验室的应用提供了有力支持。
🎯 应用场景
该研究成果可广泛应用于自驱动实验室、自动化材料合成、高通量筛选等领域。通过提高基板处理的自动化程度和可靠性，可以加速新材料的发现和优化过程，降低人工成本，并减少人为误差。未来，该技术有望扩展到其他类型的基板和材料，进一步提升自驱动实验室的自动化水平。
📄 摘要（原文）
Self-driving laboratories (SDLs) have accelerated the throughput and automation capabilities for discovering and improving chemistries and materials. Although these SDLs have automated many of the steps required to conduct chemical and materials experiments, a commonly overlooked step in the automation pipeline is the handling and reloading of substrates used to transfer or deposit materials onto for downstream characterization. Here, we develop a closed-loop method of Automated Substrate Handling and Exchange (ASHE) using robotics, dual-actuated dispensers, and deep learning-driven computer vision to detect and correct errors in the manipulation of fragile and transparent substrates for SDLs. Using ASHE, we demonstrate a 98.5% first-time placement accuracy across 130 independent trials of reloading transparent glass substrates into an SDL, where only two substrate misplacements occurred and were successfully detected as errors and automatically corrected. Through the development of more accurate and reliable methods for handling various types of substrates, we move toward an improvement in the automation capabilities of self-driving laboratories, furthering the acceleration of novel chemical and materials discoveries.