論文の概要: Tool-Policy Co-Design for Powder Weighing in Laboratory Automation
- arxiv url: http://arxiv.org/abs/2609.39797v2
- Date: Thu, 01 Oct 2026 10:42:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.561608
- Title: Tool-Policy Co-Design for Powder Weighing in Laboratory Automation
- Title（参考訳）: 実験室自動化における粉体溶接のツール・ポリティクス共同設計
- Abstract要約: 本研究は, 化学実験室でロボットが使用するディスペンシングツールの形態と制御ポリシーを同時に最適化するツール・政治共同設計フレームワークを導入する。
実験結果から,我々の共同設計したツール形態は,標準ツールと比較して現実世界の重み付け誤差を45%削減することがわかった。
- 参考スコア（独自算出の注目度）: 4.476218123502808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous powder weighing is one of many bottlenecks in laboratory automation due to the complex, non-linear dynamics of heterogeneous materials. Robot chemists performing this task utilise standard tools shaped for the dexterity of human hands, whose fixed geometry sets the dynamics that the control policy needs to regulate. This work introduces a tool-policy co-design framework that concurrently optimises the morphology of a dispensing tool and its control policy for use by robots in chemistry laboratories, formulated as a bi-level optimisation that minimises dispensing error over a target distribution of powder flowabilities. The outer loop varies tool-design parameters such as tool depth, width and rim spike topology using Bayesian optimisation and hyperband, while an inner loop optimises a control policy for each candidate morphology. We also introduce a geometric similarity metric that warm-starts policy training from cached policies of structurally similar designs, exploring 28% more configurations under the same compute budget. The proposed framework is evaluated on a robotic powder weighing task across seven materials with distinct physical dynamics in a flowability-informed robot-material simulation framework. Experimental results demonstrate that our co-designed tool morphology reduces real-world weighing errors by 45% relative to a standard tool, including on previously unseen materials. These results demonstrate our method can adapt both the control policy and the physical tool to the dynamics of the target material, bringing a new paradigm for material manipulation to the field of laboratory automation.
- Abstract（参考訳）: 自動粉体重み付けは、異種物質の複雑で非線形なダイナミクスのため、実験室の自動化における多くのボトルネックの1つである。
このタスクを実行するロボット化学者は、人間の手の器用さのために形作られた標準ツールを利用し、その固定幾何は制御ポリシーが規制する必要があるダイナミクスをセットする。
本研究は, 粉体流動のターゲット分布に誤差を最小化するための二段階最適化として定式化された, 化学実験室におけるロボット用ディスペンシングツールの形態と制御ポリシを同時に最適化するツール・ポリティクス協調設計フレームワークを提案する。
外ループは、ベイジアン最適化とハイパーバンドを用いてツール深さ、幅、リムスパイクトポロジーなどのツール設計パラメータを変化させ、一方、内ループは各候補形態に対する制御ポリシーを最適化する。
また、構造的に類似した設計のキャッシュポリシからポリシートレーニングをウォームスタートさせ、同じ計算予算の下で28%以上の構成を探索する幾何学的類似度指標も導入する。
フロービリティ・インフォームド・ロボット・マテリアル・シミュレーション・フレームワークにおいて, 異なる物理力学を持つ7つの材料にまたがるロボットパウダーの重み付け作業について評価を行った。
実験結果から,我々の共同設計したツール形態は,従来見つからなかった素材を含む標準ツールと比較して,現実世界の重量誤差を45%削減できることがわかった。
これらの結果から, 本手法は, 制御ポリシと物理ツールの両方を対象材料の力学に適応させることで, 材料操作の新たなパラダイムを実験室自動化の分野に適用できることが示唆された。
関連論文リスト
- Reinforcement learning in linear embedding space unlocks generalizable control across soft robot configurations [60.42735420750131]
タコや象のトランクのような軟体生物は、顕著な形態的適応性を示す。
近年、様々なソフトロボットが登場し、様々な素材、硬さ、特定のタスクに合わせた形態を特徴としている。
本稿では,多様なソフトロボット構成にまたがる迅速な適応を可能にする汎用制御システムを提案する。
論文 参考訳（メタデータ） (2026-06-06T11:09:46Z) - Simulation-Driven Evolutionary Motion Parameterization for Contact-Rich Granular Scooping with a Soft Conical Robotic Hand [14.911239660367926]
ツールベースのスクーピングは、さまざまな大きさ、形状、物質状態の物体との相互作用を可能にするロボット支援タスクにおいて不可欠である。
近年の研究では、柔軟で再構成可能なソフトロボットのエンドエフェクターが、スクーピング中に一貫した接触を維持するために形状に適応できることが示されている。
これらのソフトツールは、複雑な感知や制御を必要とせずに、様々な容器の大きさや材料に調整することができる。
本稿では,変形可能な円錐型ロボットハンドの物理シミュレーションモデルの開発について述べる。
論文 参考訳（メタデータ） (2026-04-07T07:30:21Z) - Learning Adaptive Force Control for Contact-Rich Sample Scraping with Heterogeneous Materials [0.5161531917413708]
グローバルな課題によって推進される、科学発見の加速に対する需要の増加は、先進的なAI駆動型ロボットの必要性を強調している。
人間中心の研究室にロボット化学者を配置することは、自律的な発見の次の地平の鍵だ。
本研究は, 安定かつ適合な物理相互作用を実現するために, 低レベルカルテシアンインピーダンス制御を頼りに, この問題に対処するための適応制御フレームワークを提案する。
本手法は5種類の材料で評価され, 平均10.9%の固定 Wrench ベースラインよりも優れた性能を示した。
論文 参考訳（メタデータ） (2026-03-11T17:07:55Z) - Volumetric Ergodic Control [0.0]
本稿では,体積状態表現を用いた空間被覆を最適化するエルゴディック制御式を提案する。
本手法は,エルゴディック制御のカバレッジ保証を保護し,リアルタイム制御に最小限の計算オーバーヘッドを付加し,任意のサンプルベース容積モデルをサポートする。
論文 参考訳（メタデータ） (2025-11-14T18:10:40Z) - Learning Tool-Aware Adaptive Compliant Control for Autonomous Regolith Excavation [16.948852537273655]
本研究では,モデルに基づく強化学習エージェントが並列化シミュレーション内で学習するフレームワークを紹介する。
ツールのプロシージャ分布によるトレーニングは、一般化に不可欠であり、高度なツール認識行動の開発を可能にすることを示す。
論文 参考訳（メタデータ） (2025-09-05T20:09:28Z) - Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。
これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。
また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
論文 参考訳（メタデータ） (2025-08-12T09:45:19Z) - AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。
非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。
提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
論文 参考訳（メタデータ） (2025-04-30T23:55:44Z) - Incremental Few-Shot Adaptation for Non-Prehensile Object Manipulation using Parallelizable Physics Simulators [5.483662156126757]
モデル予測制御(MPC)のための物理に基づく力学モデルに漸進的に適応する非包括的操作のための新しいアプローチを提案する。
シミュレーションおよび実ロボットを用いた物体押出実験における少数ショット適応手法の評価を行った。
論文 参考訳（メタデータ） (2024-09-20T05:24:25Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳（メタデータ） (2021-04-07T17:59:23Z) - 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)
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。