Desafíos en manipulación robótica inteligente en laboratorios autónomos
DOI:
https://doi.org/10.17979/ja-cea.2025.46.12244Palabras clave:
Automatización, Manipuladores robóticos, Laboratorio autónomoResumen
Los laboratorios autónomos o self-driving labs (SDL) representan un enfoque innovador que combina inteligencia artificial, automatización de procesos, robótica, y ciencia de materiales. Estos entornos están diseñados para realizar experimentos sin intervención humana directa, acelerando significativamente el descubrimiento y optimización de nuevos materiales. En este artículo se presentan los componentes generales de un SDL, describiendo su funcionalidad, dependencia e interacción entre ellos para realizar los experimentos químicos. Dentro de estos componentes, uno de los bloques fundamentales es la manipulación robótica, que permite ejecutar tareas experimentales de manera precisa, repetible y eficiente. Los brazos robóticos programables realizan operaciones como dispensado de líquidos, mezcla de compuestos, transferencia de muestras, y limpieza de instrumental, reemplazando tareas tradicionalmente realizadas por técnicos humanos. Por ello, este artículo también identifica los principales desafíos en manipulación robótica inteligente requerida para el óptimo funcionamiento de SDL.
Referencias
Abolhasani, M., Kumacheva, E., 2023. The rise of self-driving labs in chemical and materials sciences. Nature Synthesis 2 (6), 483–492. DOI: 10.1038/s44160-022-00231-0
Baden, T., Chagas, A. M., Gage, G., Marzullo, T., Prieto-Godino, L. L., Euler, T., 2015. Open labware: 3-d printing your own lab equipment. PLoS biology 13 (3), e1002086. DOI: 10.1371/journal.pbio.1002086
Beeler, C., Subramanian, S. G., Sprague, K., Chatti, N., Bellinger, C., Shahen, M., Paquin, N., Baula, M., Dawit, A., Yang, Z., et al., 2023. Chemgymrl: An interactive framework for reinforcement learning for digital chemistry. arXiv preprint arXiv:2305.14177.
Billard, A., Kragic, D., 2019. Trends and challenges in robot manipulation. Science 364 (6446), eaat8414. DOI: 10.1126/science.aat8414
Darvish, K., Skreta, M., Zhao, Y., Yoshikawa, N., Som, S., Bogdanovic, M., Cao, Y., Hao, H., Xu, H., Aspuru-Guzik, A., et al., 2025. Organa: a robotic assistant for automated chemistry experimentation and characterization. Matter 8 (2). DOI: 10.1016/j.matt.2024.10.015
Ekins, S., 2024. The lab of the future: Self-driving labs for molecule discovery. GEN Biotechnology 3 (2), 83–86. DOI: 10.1089/genbio.2024.29141.sek
European Council, 2019. European green deal. [Online] https://www.consilium.europa.eu/en/policies/european-green-deal/, accessed: 2025-05-29.
Huang, Y., Wilches, J., Sun, Y., 2021. Robot gaining accurate pouring skills through self-supervised learning and generalization. Robotics and Autonomous Systems 136, 103692.
Kemp, C. C., Edsinger, A., Torres-Jara, E., 2007. Challenges for robot manipulation in human environments [grand challenges of robotics]. IEEE Robotics & Automation Magazine 14 (1), 20–29.
Kennedy, M., Schmeckpeper, K., Thakur, D., Jiang, C., Kumar, V., Daniilidis, K., 2019. Autonomous precision pouring from unknown containers. IEEE Robotics and Automation Letters 4 (3), 2317–2324.
Martin, H. G., Radivojevic, T., Zucker, J., Bouchard, K., Sustarich, J., Peisert, S., Arnold, D., Hillson, N., Babnigg, G., Marti, J. M., et al., 2023. Perspectives for self-driving labs in synthetic biology. Current Opinion in Biotechnology 79, 102881.
Nakajima, Y., Hamaya, M., Suzuki, Y., Hawai, T., von Drigalski, F., Tanaka, K., Ushiku, Y., Ono, K., 2022. Robotic powder grinding with a soft jig for laboratory automation in material science. In: 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, pp. 2320–2326.
Pizzuto, G., Wang, H., Fakhruldeen, H., Peng, B., Luck, K. S., Cooper, A. I., 2024. Accelerating laboratory automation through robot skill learning for sample scraping. In: 2024 IEEE 20th International Conference on Automation Science and Engineering (CASE). IEEE, pp. 2103–2110.
Rahmanian, F., Flowers, J., Guevarra, D., Richter, M., Fichtner, M., Donnely, P., Gregoire, J. M., Stein, H. S., 2022. Enabling modular autonomous feedback-loops in materials science through hierarchical experimental laboratory automation and orchestration. Advanced Materials Interfaces 9 (8), 2101987. DOI: https://doi.org/10.1002/admi.202101987
Roch, L. M., Häse, F., Kreisbeck, C., Tamayo-Mendoza, T., Yunker, L. P. E., Hein, J. E., Aspuru-Guzik, A., 04 2020. Chemos: An orchestration software to democratize autonomous discovery. PLOS ONE 15 (4), 1–18. DOI: 10.1371/journal.pone.0229862
Tom, G., Schmid, S. P., Baird, S. G., Cao, Y., Darvish, K., Hao, H., Lo, S., Pablo-García, S., Rajaonson, E. M., Skreta, M., et al., 2024. Selfdriving laboratories for chemistry and materials science. Chemical Reviews 124 (16), 9633–9732.
Walters, W. P., Barzilay, R., 2021. Applications of deep learning in molecule generation and molecular property prediction. Accounts of Chemical Research 54 (2), 263–270, pMID: 33370107. DOI: 10.1021/acs.accounts.0c00699
Wang, Y. R., Zhao, Y., Xu, H., Eppel, S., Aspuru-Guzik, A., Shkurti, F., Garg, A., 2023. Mvtrans: Multi-view perception of transparent objects. In: 2023 IEEE International Conference on Robotics and Automation (ICRA). IEEE, pp. 3771–3778.
Xu, H.,Wang, Y. R., Eppel, S., Aspuru-Guzik, A., Shkurti, F., Garg, A., 2021. Seeing glass: joint point cloud and depth completion for transparent objects. arXiv preprint arXiv:2110.00087.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Edwin Daniel Oña, Lisbeth Mena, Dorin Sabin Copaci
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
