Closed-Loop Robotic Manipulation of Transparent Substrates for Self-Driving Laboratories using Deep Learning Micro-Error Correction

📄 arXiv: 2512.06038v1 📥 PDF

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

  1. 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，但基板处理和重新加载环节常被忽视。
  2. 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，闭环控制透明基板操作，纠正操作误差。
  3. 实验结果表明，ASHE方法在透明玻璃基板重载任务中实现了98.5%的首次放置准确率，显著提升了自动化水平。

📝 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，来检测和纠正易碎透明基板操作中的误差，从而实现基板的自动处理和重新加载，用于材料的转移或沉积以进行后续表征。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，旨在提高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：论文旨在解决自驱动实验室中透明且易碎基板的自动化处理和重新加载问题。现有方法在处理这些基板时，容易出现放置不准确等问题，导致实验失败或需要人工干预，限制了自驱动实验室的自动化程度和效率。

核心思路：论文的核心思路是利用机器人技术实现基板的自动化操作，并结合深度学习驱动的计算机视觉技术，实时检测和纠正操作过程中出现的微小误差，形成闭环控制。通过这种方式，可以提高基板放置的准确性和可靠性，减少人工干预。

技术框架：ASHE系统的整体架构包括以下几个主要模块：1) 机器人操作臂：负责基板的拾取、放置和移动；2) 双驱动分配器：用于精确控制基板的释放；3) 计算机视觉系统：利用深度学习模型对基板的位置和姿态进行实时检测；4) 控制系统：根据视觉检测结果，调整机器人操作臂和双驱动分配器的动作，实现误差校正。整个流程形成一个闭环反馈系统，确保基板能够准确地放置到目标位置。

关键创新：该方法最重要的技术创新点在于将深度学习驱动的计算机视觉技术与机器人操作相结合，实现了对透明基板操作过程中的微小误差的实时检测和校正。传统的机器人操作方法通常依赖于精确的运动控制和标定，难以应对透明基板带来的视觉挑战和操作误差。而该方法通过视觉反馈，能够动态调整操作策略，提高系统的鲁棒性和适应性。

关键设计：论文中可能涉及的关键设计包括：1) 用于基板检测的深度学习模型的选择和训练，例如使用卷积神经网络（CNN）进行特征提取和目标检测；2) 误差校正算法的设计，例如基于视觉反馈的PID控制或强化学习方法；3) 双驱动分配器的设计，需要保证能够精确控制基板的释放，避免产生额外的扰动；4) 视觉系统的标定和参数设置，需要保证能够准确地获取基板的位置和姿态信息。

📊 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，且均被计算机视觉系统成功检测并自动纠正。这一结果显著优于传统的人工操作或简单的机器人操作方法，证明了该方法在提高基板处理准确性和可靠性方面的有效性。

🎯 应用场景

该研究成果可广泛应用于各种需要精确操作透明或易碎基板的自动化实验室，例如材料科学、化学、生物医药等领域。通过提高基板处理的自动化程度和准确性，可以加速新材料的发现和优化，降低实验成本，并减少人工操作带来的误差。未来，该技术有望扩展到其他类型的基板和更复杂的实验流程中。

📄 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.