Accelerating Laboratory Automation Through Robot Skill Learning For Sample Scraping

要約

自律実験のための研究用ロボットの使用は、気候変動や医薬品などの時事的な問題の材料発見を加速しながら、科学者を退屈な作業から軽減する魅力的な方法を提供します。
一部の実験ワークフローはすでに自動化の恩恵を受けていますが、さまざまなツール、化学物質、ガラス器具を扱う際には高度な運動機能と器用さが必要とされるため、サンプル前処理は依然として手動で行われています。
化学分野における基本的なワークフローは結晶化であり、その応用の 1 つは多形スクリーニング、つまり結晶から 3 次元の分子構造を取得することです。
分子の合成には時間と費用の両方がかかるため、このプロセスではできるだけ多くのサンプルを回収することが最も重要です。
この目的のために、化学者はイメージングプレートを移す前にバイアルをこすってサンプル内容物を回収します。
このプロセスの自動化は、制約された環境 (サンプルバイアル) 内で細かい動きを実行する必要があるという基本的な要件により、ロボットによる挿入タスクを超えるため、困難です。
人間の化学者がバイアルから粉末を削り取るこのプロセスをどのように実行するかに動機付けられた私たちの研究は、完全に自律的なサンプル削り取り手順につながる、削り取りポリシーを学習するためのモデルフリーの強化学習方法を提案しています。
まず、シミュレートされたバイアルに挿入された実験室用スクレーパーを使用して、パンダ フランカ エミカ ロボットでシナリオ固有のシミュレーション環境を作成し、シミュレーションでスクレイピング ポリシーを適切に学習する方法を実証します。
次に、実験室環境で実際のロボット マニピュレータでメソッドをトレーニングおよび評価し、さまざまな設定で粉末を自律的にこすり取ることができることを示します。

要約(オリジナル)

The use of laboratory robotics for autonomous experiments offers an attractive route to alleviate scientists from tedious tasks while accelerating material discovery for topical issues such as climate change and pharmaceuticals. While some experimental workflows can already benefit from automation, sample preparation is still carried out manually due to the high level of motor function and dexterity required when dealing with different tools, chemicals, and glassware. A fundamental workflow in chemical fields is crystallisation, where one application is polymorph screening, i.e., obtaining a three dimensional molecular structure from a crystal. For this process, it is of utmost importance to recover as much of the sample as possible since synthesising molecules is both costly in time and money. To this aim, chemists scrape vials to retrieve sample contents prior to imaging plate transfer. Automating this process is challenging as it goes beyond robotic insertion tasks due to a fundamental requirement of having to execute fine-granular movements within a constrained environment (sample vial). Motivated by how human chemists carry out this process of scraping powder from vials, our work proposes a model-free reinforcement learning method for learning a scraping policy, leading to a fully autonomous sample scraping procedure. We first create a scenario-specific simulation environment with a Panda Franka Emika robot using a laboratory scraper that is inserted into a simulated vial, to demonstrate how a scraping policy can be learned successfully in simulation. We then train and evaluate our method on a real robotic manipulator in laboratory settings, and show that our method can autonomously scrape powder across various setups.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google