ARChemist: Autonomous Robotic Chemistry System Architecture

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

라이선스

• 오픈 액세스
• 논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

ARChemist는 KUKA KMR 모바일 매니퓰레이터, Franka Panda 팔, 표준 실험실 기기를 ROS와 YAML 레시피로 연결한다. 용해도 스크리닝은 10회 중 9회, 결정화는 5회 중 80% 성공했다.

중요한 이유

이 시스템은 맞춤형 하드웨어 대신 기성 기기와 함께, 이질적인 상용 로봇들, 즉 운반용 모바일 매니퓰레이터와 바이알 취급용 고정형 팔을 하나의 화학 워크플로에서 운용한다. ROS를 미들웨어로 사용하므로 핵심 처리 로직을 바꾸지 않고 새로운 로봇과 기기를 추가할 수 있다.

문제

화학 실험실의 로봇 시스템 대부분은 단일 실험에 맞춰 프로그래밍되며, 흔히 독점 아키텍처나 ChemPU 같은 맞춤형 하드웨어 위에서 동작한다. 또한 이전 시스템들은 고정형 로봇의 작업 범위 밖에 있는 스테이션으로 시료를 운반하는 모바일 로봇을 통합하지 않는다. 일반적으로 로봇공학 전문가가 아닌 화학자에게는 프로그래밍하기 쉽고, 데이터 분석을 단순화하며, 여러 실험에 걸쳐 일반화되는 시스템이 필요하다.

제안 방법

ARChemist는 State Manager(재료, 로봇, 스테이션, 시료와 그 이력), Persistence Manager(데이터베이스 저장 및 구성 파일과 레시피 파일의 파싱), Workflow Manager(워크플로 프로세서, 로봇 스케줄러, 병렬 스테이션 및 로봇 핸들러, 시스템 모니터, 규칙 기반 경고 관리자)로 이루어진 Python 아키텍처이다. ROS가 로봇과 기기에 대한 통신 계층이며, 실험실 장비용 맞춤 드라이버가 작성되었다. 각 시료는 재료, 스테이션 작업, 상태 기계 워크플로를 나열한 사람이 읽을 수 있는 YAML 화학 레시피를 지니며, 새로운 스테이션이나 로봇은 그 클래스 파일과 핸들러를 제공하면 추가되고 시스템이 시작 시 이를 찾아낸다.

핵심 통찰

• 공정 중심 상태(재료, 스테이션, 로봇과 그 작업)를 시료 중심 상태(레시피, 작업 이력, 위치, 상태)와 분리하면, 레시피의 스테이션과 작업이 구성 파일에 있는 한 하나의 설치로 서로 다른 레시피를 실행할 수 있다.
• Python의 동적 타이핑과 타입 내성(introspection)을 통한 느슨한 결합 덕분에, 스테이션이나 로봇을 추가할 때 다른 모듈을 바꾸지 않고 그 클래스 파일과 핸들러만 있으면 된다.
• 모바일 매니퓰레이터는 실험실의 여러 구역에 있는 스테이션 사이로 시료를 운반하며, 저자들은 이것이 다른 스테이션에서 고정형 팔과 병렬로 작업할 수 있을 것이라고 언급한다.
• 로봇 실행은 사람 화학자보다 느리지만, 저자들은 화학자를 반복 작업에서 해방시키고 중단 없이 장기간 실험을 수행하는 것을 목표로 한다.

주요 결과

• 용해도 스크리닝: 10회 실행, 성공률 90%, 평균 실행 시간 12분. 한 번의 실패는 외부 진동 때문에 Quantos가 용기 무게 영점 보정 중 시간 초과된 것이었다.
• 결정화: 5회 실행, 성공률 80%, 평균 실행 시간 130분(2시간 10분). 실패는 Panda가 바이알을 저울로 옮기다 잘못 놓은 것이었다.
• 용해도 워크플로: Quantos가 염 15 mg을, 연동 펌프가 물 2 mL를 분주하고, 200 rpm으로 1초 동안 교반하며, Intel RealSense D435i의 RGB 이미지로 탁도를 계산하고 용해를 감지한다.
• 결정화 워크플로: 염화나트륨 200 mg과 물 2 mL를 60 °C로 가열하며 질량이 안정될 때까지 질량을 연속 모니터링한다.

한계

• Workflow User Interface는 현재 명령줄 인터페이스이다. 저자들은 그래픽 인터페이스를 계획하고 있다.
• 로봇 두 대와 소수의 기기(고체 및 액체 분주기, 저울, 핫플레이트와 교반기)만 통합되었으며, 각 기기마다 맞춤 ROS 드라이버가 필요했다.
• 안전을 위해 종단 간 시스템은 개방형 실험대에서 물만을 용매로 사용하여 시험되었다.
• 평가 규모가 작다. 용해도 실행 10회와 결정화 실행 5회이며, 각각 실패가 한 번 있었다.
• 기계학습 기반 의사결정은 아직 통합되지 않았다. 저자들은 이를 추가할 계획이다.

분야에 미친 영향

이 논문은 ICRA 2022 Outstanding Automation Paper award의 최종 후보에 올랐으며 인용 수는 53회이다. 두 사례 연구의 영상(https://youtu.be/mcEYyOBjKpU)을 링크하며, 논문은 코드 저장소를 제시하지 않는다.

초록

자동화된 실험실 실험은 새로운 발견을 촉진하는 동시에 재현성을 높이고 위험 물질을 다룰 때 과학자의 안전을 향상시킬 잠재력이 있다. 그러나 많은 자동화 실험실 워크플로는 로봇공학과 디지털 실험 장비의 눈부신 발전을 충분히 활용하지 못했다. 그 결과, 실험실에서 사용되는 대부분의 로봇 시스템은 단일 실험에 맞춰 특별히 프로그래밍되며, 흔히 독점 아키텍처에 의존하거나 비관례적인 하드웨어를 사용한다. 본 연구에서는 화학자와 함께, 그리고 화학자를 위해 특별히 설계되어 과학자가 새로운 실험에 맞게 설정을 쉽게 재구성할 수 있는 새로운 로봇 시스템 아키텍처를 제안하여 이 문제를 다룬다. 구체적으로, 이 시스템의 강점은 이질적인 로봇 플랫폼을 표준 실험실 장비와 결합하여 다양한 실험 설정을 만들 수 있다는 점이다. 마지막으로, 용해도 스크리닝과 결정화 같은 사례 연구를 통해 이 아키텍처를 특정 실험실 실험에 어떻게 사용할 수 있는지 보인다.

링크

• 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