AEGIS: Assay-Aware Protocol Validation and Runtime Monitoring for Open-Source Liquid Handling Robots
作者: Priyanka V.Setty, Arvind Ramanathan, Ian Foster, Rick Stevens
分类: cs.RO, cs.AI
发布日期: 2026-07-20
💡 一句话要点
提出AEGIS以解决开放源代码液体处理机器人中的协议验证与监控问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 液体处理 协议验证 运行时监控 自驾实验室 开源技术 机器学习 视觉监控
📋 核心要点
- 现有的液体处理机器人在运行时缺乏有效的监控机制，导致协议错误和物理执行失败难以被及时发现。
- AEGIS通过结合实验规则数据库和大型语言模型，提供了一种新的协议验证和运行时监控方法，增强了液体处理的可靠性。
- 实验结果显示，AEGIS在多种实验条件下表现优异，成功捕捉到多种失败模式，提升了检测的准确性和效率。
📝 摘要（中文）
自驾实验室越来越依赖于低成本的液体处理器，如Opentrons OT-2，这些设备通常在开放环路下运行，缺乏压力监测，导致两种失败模式未被检测到：一是协议在语法上有效但违反特定实验要求，二是在运行时发生的物理执行失败。本文提出AEGIS，一个双层守护系统，第一层结合了机器可读的实验规则数据库与大型语言模型（LLM），在24个协议基准测试中达到了0.97的调整F1分数；第二层则利用PCA世界模型对YOLO裁剪的四帧移液轨迹进行拟合，达到了0.89的平均精度和0.71的操作点F1。AEGIS是首个将实验验证与运行时视觉监控统一的开源液体处理系统。
🔬 方法详解
问题定义：本文旨在解决开放源代码液体处理机器人在协议验证和运行时监控中的不足，尤其是未能检测到的协议错误和物理执行失败。现有方法缺乏对实验特定要求的考虑，导致潜在的实验失败未被及时发现。
核心思路：AEGIS的核心思路是构建一个双层守护系统，第一层利用机器可读的实验规则与大型语言模型相结合，进行协议的语法和语义验证；第二层则通过视觉监控实时检测液体处理的物理执行情况。
技术框架：AEGIS的整体架构分为两个主要模块：第一层是基于规则的协议验证模块，第二层是基于视觉的执行监控模块。第一层通过分析OT-2的Python代码，识别潜在的协议错误；第二层则通过YOLO模型对移液轨迹进行实时监控。
关键创新：AEGIS的主要创新在于将实验验证与运行时监控相结合，形成了一个完整的监控体系。这种设计使得AEGIS能够在开放源代码环境中有效地捕捉到协议和执行中的错误，提升了实验的可靠性。
关键设计：在第一层中，AEGIS使用了经过精心策划的实验规则数据库，并与大型语言模型进行结合，达到高达0.97的F1分数；第二层则采用PCA模型对YOLO裁剪的移液轨迹进行拟合，平均精度达到0.89，操作点F1为0.71。
🖼️ 关键图片
📊 实验亮点
AEGIS在24个协议基准测试中达到了0.97的调整F1分数，且在YOLO裁剪的移液轨迹监控中，平均精度达到0.89，操作点F1为0.71。实验中成功捕捉到多种失败模式，显示出AEGIS在实际应用中的有效性和可靠性。
🎯 应用场景
AEGIS的研究成果在生物实验室、药物开发和其他需要精确液体处理的领域具有广泛的应用潜力。通过提高液体处理的可靠性和准确性，AEGIS能够显著降低实验失败率，提升实验效率，推动自驾实验室的发展。
📄 摘要（原文）
Self-driving laboratories increasingly rely on low-cost liquid handlers such as the Opentrons OT-2, which ship without the pressure-based aspiration monitoring of Hamilton or Tecan systems and are typically run open-loop. Two failure modes go undetected: protocols that are syntactically valid but violate assay-specific invariants (e.g., tip reuse between a PCR template and a no-template control), and physical execution failures (partial dispense, air bubbles, missing tips) at runtime. We present AEGIS, a two-layer guardian for both. Layer 1 pairs a curated machine-readable assay rule database with an LLM that reasons over OT-2 Python code, reaching an adjusted F1 of 0.97 on a 24-protocol benchmark across five assay families and beating rules-only and LLM-only ablations across five backends; a free open-weight model ties the best proprietary one, so no paid API is required. Layer 2 fits a PCA world model to YOLO-cropped four-frame pipette trajectories; under a leakage-free leave-one-plate-out evaluation it reaches average precision 0.89 and operating-point F1 0.71 (AUROC 0.80), a deployment-faithful number that matches the live demonstration, and we characterize the small-pipette (p20) resolution limit (F1 0.47). A live demonstration on a physical OT-2 (five replicates per condition) catches planted no-tip failures deterministically and partial dispense on coloured dyes, with an always-VLM self-vote gate lifting partial-dispense recall to 5/5; transparent water is a principled limit of any front-view-only monitor, which AEGIS surfaces as low-confidence VLM reasoning rather than a wrong verdict. Cascade triage holds VLM cost near $1.63 per plate versus $10.33 for an always-VLM baseline. AEGIS is open source and, to our knowledge, the first system to unify pre-flight assay-aware validation with runtime visual monitoring for an open-source liquid handler.