論文の概要: Accelerating Laboratory Automation Through Robot Skill Learning For Sample Scraping
- arxiv url: http://arxiv.org/abs/2209.14875v2
- Date: Sun, 17 Mar 2024 20:10:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 06:58:04.375448
- Title: Accelerating Laboratory Automation Through Robot Skill Learning For Sample Scraping
- Title（参考訳）: サンプルストラップのためのロボットスキル学習による実験室自動化の高速化
- Authors: Gabriella Pizzuto, Hetong Wang, Hatem Fakhruldeen, Bei Peng, Kevin S. Luck, Andrew I. Cooper,
- Abstract要約: 自律的な実験にラボロボティクスを使うことは、科学者を退屈な作業から救い出す魅力的な道のりを提供する。
一部の実験では、既に自動化の恩恵を受けることができるが、サンプルの準備はまだ手作業で行われている。
完全自律型サンプリングスクレイピング手法を実現するため,スクレイピングポリシーを学習するためのモデルフリー強化学習法を提案する。
- 参考スコア（独自算出の注目度）: 4.969887562291159
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract（参考訳）: 自律的な実験にラボロボティクスを使うことは、気候変動や医薬品といったトピックの問題に対する物質発見を加速させながら、退屈な作業から科学者を緩和するための魅力的なルートを提供する。
いくつかの実験的なワークフローは、既に自動化の恩恵を受けているが、異なるツール、化学物質、ガラス製品を扱う際に必要とされる高い運動機能と器用さのために、サンプルの準備は手作業で行われている。
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、1つの応用はポリモルフィックスクリーニング(つまり結晶から3次元分子構造を得る)である。
このプロセスでは、分子の合成は時間とお金の両方で費用がかかるため、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ある。
この目的のために、化学者は、イメージングプレートの転写に先立って、サンプル内容を回収するためにバイアルをスクラップする。
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)内で細かい粒状運動を実行するという基本的な要件のため、ロボット挿入タスクを超えたため、難しい。
本研究は, 人体化学者がバイアルから粉末を抽出する方法に触発されて, スクラップ政策を学習するモデルレス強化学習法を提案し, 完全自律的な試料スクラップ法を提案する。
まず,実験室のスクレイパーを模擬バイアルに挿入したPanda Franka Emikaロボットを用いて,シナリオ固有のシミュレーション環境を構築し,シミュレーションにおいてスクレーピングポリシーをどのように学習するかを実証する。
次に,実験室環境下での実際のロボットマニピュレータ上での手法の訓練と評価を行い,粉体を各種の装置で自律的にスクラップできることを示す。
関連論文リスト
- Validation of the Scientific Literature via Chemputation Augmented by Large Language Models [0.0]
化学計算は、普遍的な記号言語を用いて実験を行うための化学ロボットをプログラミングするプロセスである。
大規模言語モデル(LLM)は、自然言語処理、ロボット制御、最近では化学など、様々な分野において顕著な能力を発揮している。
本稿では,合成文芸手順の自動検証を目的としたLCMベースの化学研究エージェントワークフローを提案する。
論文 参考訳（メタデータ） (2024-10-08T21:31:42Z) - DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。
言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。
実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
論文 参考訳（メタデータ） (2024-05-12T15:38:17Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳（メタデータ） (2023-11-28T18:58:48Z) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳（メタデータ） (2023-02-09T20:19:57Z) - An Automated Scanning Transmission Electron Microscope Guided by Sparse
Data Analytics [0.0]
本稿では,新たに出現するスパースデータ分析によって導かれる閉ループ管楽器制御プラットフォームの設計について論じる。
機械学習によって通知される集中型コントローラが、限られた$a$$priori$知識とタスクベースの識別を組み合わせることで、オンザフライでの実験的な意思決定を駆動する様子を実証する。
論文 参考訳（メタデータ） (2021-09-30T00:25:35Z) - Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。
本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。
我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文 参考訳（メタデータ） (2021-09-19T18:00:51Z) - Automated and Autonomous Experiment in Electron and Scanning Probe
Microscopy [0.0]
連続画像形成機構を有するイメージング手法における自動実験(AE)への主要な経路の解析を目指しています。
自動実験は一般分野の知識のより広い文脈で議論されるべきであり、実験の結果、双方が実験を通知し、増大させる。
論文 参考訳（メタデータ） (2021-03-22T20:24:41Z) - Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic
Platforms [60.59764170868101]
強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。
私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。
我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
論文 参考訳（メタデータ） (2021-03-05T14:16:20Z) - AutoMat: Accelerated Computational Electrochemical systems Discovery [0.7865939710072847]
大規模な電化は気候危機に対処するために不可欠であるが、化学産業と輸送の両方を完全電気化するためには、いくつかの科学的および技術的課題が残っている。
新しい電気化学材料は重要だが、その開発は人間の時間集約的な実験とエラー、計算コストのかかる第一原理、メソスケール、連続体シミュレーションに大きく依存している。
本稿では,第1原理から連続的なデバイスモデリングに至るまで,シミュレーションの自動入力生成とシミュレーション管理の両方を導入することで,これらの計算ステップを高速化する自動ワークフローであるAutoMatを提案する。
論文 参考訳（メタデータ） (2020-11-03T20:45:29Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。