ARChemist: Autonomous Robotic Chemistry System Architecture

Autores: Hatem Fakhruldeen, Gabriella Pizzuto, Jakub Glowacki, Andrew Ian Cooper · ICRA 2022

Licencias

• Acceso abierto
• Artículo: CC BY 4.0

Todo lo que sigue se basa en el artículo completo bajo su licencia CC BY 4.0; su figura se muestra con crédito a los autores.

En resumen

ARChemist conecta un manipulador móvil KUKA KMR, un brazo Franka Panda e instrumentos de laboratorio estándar mediante ROS y recetas YAML; el cribado de solubilidad tuvo éxito en 9 de 10 ejecuciones y la cristalización en el 80 % de 5.

Por qué importa

El sistema hace funcionar robots comerciales heterogéneos en un mismo flujo de trabajo químico, un manipulador móvil para el transporte y un brazo fijo para manipular viales, junto con instrumentos comerciales en lugar de hardware hecho a medida. Usar ROS como middleware permite añadir nuevos robots e instrumentos sin cambiar la lógica de procesamiento central.

Problema

La mayoría de los sistemas robóticos de los laboratorios de química se programan para un único experimento, a menudo sobre arquitecturas propietarias o hardware a medida como el ChemPU, y los sistemas anteriores no integran robots móviles que lleven muestras a estaciones fuera del alcance de un robot fijo. Los químicos, que en general no son expertos en robótica, necesitan un sistema fácil de programar, que simplifique el análisis de datos y se generalice a distintos experimentos.

Solución propuesta

ARChemist es una arquitectura en Python con un State Manager (materiales, robots, estaciones, muestras y sus historiales), un Persistence Manager (almacenamiento en base de datos y análisis de los archivos de configuración y de recetas) y un Workflow Manager (procesador de flujos de trabajo, planificador de robots, manejadores paralelos de estaciones y robots, monitor del sistema y gestor de alertas basado en reglas). ROS es la capa de comunicación con los robots y los instrumentos, con controladores propios escritos para los equipos de laboratorio. Cada muestra lleva una receta química en YAML legible por humanos que enumera los materiales, las operaciones de las estaciones y un flujo de trabajo como máquina de estados, y para añadir una estación o un robot basta con aportar su archivo de clase y su manejador, que el sistema descubre al arrancar.

Ideas clave

• Separar el estado centrado en el proceso (materiales, estaciones, robots y sus operaciones) del estado centrado en la muestra (receta, historial de operaciones, ubicación, estado) permite que una misma instalación ejecute recetas distintas, siempre que sus estaciones y operaciones estén en el archivo de configuración.
• El acoplamiento débil mediante el tipado dinámico y la introspección de tipos de Python hace que añadir una estación o un robot solo requiera su archivo de clase y su manejador, sin cambios en otros módulos.
• El manipulador móvil transporta muestras entre estaciones situadas en distintas partes del laboratorio, y los autores señalan que podría trabajar en paralelo con el brazo fijo en otras estaciones.
• Las ejecuciones robóticas son más lentas que un químico humano, pero los autores buscan liberar a los químicos de tareas repetitivas y ejecutar experimentos durante periodos largos sin interrupciones.

Resultados principales

• Cribado de solubilidad: 10 ejecuciones, tasa de éxito del 90 %, tiempo medio por ejecución de 12 minutos; el único fallo fue que el Quantos agotó el tiempo de espera al tarar debido a vibraciones externas.
• Cristalización: 5 ejecuciones, tasa de éxito del 80 %, tiempo medio por ejecución de 130 minutos (2 horas y 10 minutos); el fallo fue que el Panda colocó mal el vial al llevarlo a la balanza.
• Flujo de trabajo de solubilidad: 15 mg de sal dispensados por el Quantos, 2 mL de agua por la bomba peristáltica, agitación durante 1 segundo a 200 rpm e imágenes RGB de una Intel RealSense D435i usadas para calcular la turbidez y detectar la disolución.
• Flujo de trabajo de cristalización: 200 mg de cloruro de sodio y 2 mL de agua, calentados a 60 °C con monitorización continua de la masa hasta que esta se estabiliza.

Limitaciones

• La Workflow User Interface es actualmente una interfaz de línea de comandos; los autores prevén una gráfica.
• Solo se integraron dos robots y un pequeño conjunto de instrumentos (dispensadores de sólidos y de líquidos, balanza, placa calefactora y agitador), y cada instrumento necesitó un controlador ROS propio.
• Por seguridad, el sistema completo se probó en una mesa abierta con agua como único disolvente.
• La evaluación es pequeña, 10 ejecuciones de solubilidad y 5 de cristalización, con un fallo en cada una.
• La toma de decisiones mediante aprendizaje automático aún no está integrada; los autores prevén añadirla.

Impacto en el campo

El artículo fue finalista del premio ICRA 2022 Outstanding Automation Paper y tiene 53 citas. Enlaza un vídeo de ambos casos de estudio (https://youtu.be/mcEYyOBjKpU); el artículo no da ningún repositorio de código.

Resumen

Los experimentos de laboratorio automatizados tienen el potencial de impulsar nuevos descubrimientos, a la vez que aumentan la reproducibilidad y mejoran la seguridad de los científicos al manipular materiales peligrosos. Sin embargo, muchos flujos de trabajo de laboratorio automatizados no han aprovechado plenamente los notables avances en robótica y en equipos de laboratorio digitales. Como resultado, la mayoría de los sistemas robóticos usados en los laboratorios se programan específicamente para un único experimento, a menudo apoyándose en arquitecturas propietarias o usando hardware poco convencional. En este trabajo abordamos este problema proponiendo una nueva arquitectura de sistema robótico diseñada específicamente con y para químicos, que permite al científico reconfigurar fácilmente su montaje para nuevos experimentos. En concreto, la fortaleza del sistema es su capacidad de combinar plataformas robóticas heterogéneas con equipos de laboratorio estándar para crear distintos montajes experimentales. Por último, mostramos cómo puede usarse la arquitectura para experimentos de laboratorio concretos mediante casos de estudio como el cribado de solubilidad y la cristalización.

Enlaces

• arXiv 2204.13571: https://arxiv.org/abs/2204.13571
• DOI 10.1109/ICRA46639.2022.9811996: https://doi.org/10.1109/ICRA46639.2022.9811996
• PDF: https://arxiv.org/pdf/2204.13571v1