Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives

Contrôle prévisionnel modélisé basé sur l’apprentissage par renforcement pour les robots manipulateurs dans un laboratoire automatisé de chimie de conception de matériaux

Automated chemistry for material design has been a priority for research groups and companies per the requirement of increased productivity, reliable results, safer operation conditions, cost savings, and flexible working time. Due to their features of dexterity and flexibility, robot manipulators (RMs) are widely used for chemistry laboratory automation. However, the safe and high-precision control of RMs for pouring and transmitting reagents and catalysts in synthetic and reaction experiments is still challenging. To fill this gap, this project aims to propose a solution to the control of an RM with guaranteed safety, reliability, and stability for achieving autonomous grasping operation. Specifically, the objective of this work is to develop an intelligent framework based on reinforcement learning (RL), model predictive control (MPC), and visual serving techniques. The proposed RL-based MPC (RLMPC) will improve the control performance of the RM and thus further improve the level of automation in chemistry laboratories.

L’automatisation en chimie pour la conception des matériaux est une priorité pour les groupes de recherche et les entreprises en raison des exigences d’une productivité accrue, de résultats fiables, de conditions d’exploitation plus sûres, d’économies de coûts et de temps de travail flexible. Compte tenu de leur dextérité et de leur flexibilité, les robots manipulateurs sont largement utilisés pour l’automatisation des laboratoires de chimie. Cependant, le contrôle sûr et de haute précision des robots manipulateurs pour verser et transmettre les réactifs et les catalyseurs dans les expériences de synthèse et de réaction demeurent un défi. Pour combler cette lacune, ce projet entend proposer une solution pour le contrôle d’un robot manipulateur avec une sécurité, une fiabilité et une stabilité garanties pour réaliser une opération de préhension autonome. Plus précisément, l’objectif de ce travail est de développer un cadre intelligent basé sur l’apprentissage par renforcement, le contrôle prévisionnel modélisé et les techniques de service visuel. Ce type de contrôle basé sur l’apprentissage par renforcement proposé améliorera les performances du robot manipulateur et, par conséquent, le niveau d’automatisation dans les laboratoires de chimie.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.

À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.

Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.

Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.