FLIP：基于流动性的粉末称量

粉末的自主操控仍是机器人在科学实验室中自动化的重大挑战。粉末在流动中的内在变异性和复杂物理相互作用，以及实验室条件的变异性，使得自适应自动化成为必要。这项工作引入了 FLIP，这是一个面向颗粒材料处理的流动性信息粉末称量框架，旨在增强机器人策略学习。我们的关键贡献在于使用材料流动性——由床角 repose 量化——通过贝叶斯推断来优化基于物理的仿真。这产生了能够生成准确训练数据的材料特定仿真环境，这些训练数据能反映多样化的粉末行为，用于训练“机器人化学家”。在此基础上，FLIP 将量化的流动性整合到课程学习策略中，通过逐步引入更具挑战性、流动性更差的粉末，促进对稳健机器人策略的高效获取。我们在真实实验室条件下验证了该方法在机器人粉末称量任务中的有效性。实验结果表明，采用课程策略的 FLIP 可实现 dispensing 误差为 2.12 ± 1.53 mg，优于不利用流动性数据的方法（如 domain randomisation，误差为 6.11 ± 3.92 mg）。这些结果表明 FLIP 能够更好地泛化到之前未见过的、更黏附性更强的粉末以及新的目标质量。