用于半导体性质自主接触式空间测绘的自监督机器人系统

将机器人驱动的接触式材料表征技术集成到自驱动实验室中，可以提高测量质量、可靠性和吞吐量。虽然深度学习模型支持稳健的自主性，但当前方法缺乏可靠的像素级定位，且需要大量标注数据。为克服这些挑战，我们提出了一种将自监督自主性构建到接触式机器人系统中的方法，使机器人能够以高吞吐量遵循领域专家的测量原则。首先，我们设计了一种基于视觉的自监督卷积神经网络（CNN）架构，利用可微图像先验优化领域特定目标，将预测机器人接触位姿的像素精度相较于现有方法提高了 20.0%。其次，我们设计了一种可靠的基于图的规划器，用于生成距离最小化路径，以加速机器人测量吞吐量并将规划方差降低 6 倍。我们通过自主驱动一个 4 自由度机器人探针运行 24 小时，在梯度滴铸钙钛矿薄膜成分上对 3,025 个唯一预测位姿的半导体光电导率进行表征，实现了每小时超过 125 次测量的吞吐量，展示了该方法的性能。将光电导率空间映射到每个滴铸薄膜上，揭示了成分趋势和不均匀区域，这对识别制造工艺缺陷具有价值。借助这种自监督 CNN 驱动的机器人系统，我们实现了高精度、可靠的接触式表征技术的高吞吐量自动化，从而使自驱动实验室能够测量以前无法获取但重要的半导体性质。