Admittance-Based Motion Planning with Vision-Guided Initialization for Robotic Manipulators in Self-Driving Laboratories

Resumen Técnico: Planificación de Movimiento Basada en Admitancia con Inicialización Guiada por Visión para Manipuladores Robóticos en Laboratorios Autónomos (SDL)

1. El Problema

Los Laboratorios de Conducción Autónoma (Self-Driving Laboratories, SDL) buscan automatizar la investigación científica mediante la integración de robótica e IA. Sin embargo, la mayoría de los marcos de trabajo actuales carecen de mecanismos de interacción complaciente (compliant interaction). En entornos de laboratorio, los robots deben enfrentarse a interacciones inesperadas, equipos delicados y la necesidad de intervención humana. Los sistemas rígidos convencionales no pueden adaptarse cuando una fuerza externa (como la mano de un operador) intenta redirigir su trayectoria, lo que compromete la seguridad y la flexibilidad operativa.

2. Metodología

El estudio propone un marco de planificación de movimiento que integra dos componentes principales:

• Control de Admitancia (Admittance Control): Se implementa un modelo de masa-resorte-amortiguador virtual que mapea las fuerzas externas detectadas en el efector final hacia movimientos compensatorios. El controlador calcula una velocidad de referencia en el espacio cartesiano basada en la fuerza externa ($F_{ext}$) y la transforma al espacio de articulaciones mediante el Jacobiano del manipulador. Esto permite que el robot "ceda" ante la fuerza humana y, tras cesar la perturbación, retome su trayectoria planificada de forma suave.
• Inicialización Guiada por Visión: Para establecer la trayectoria de referencia inicial, se utiliza un algoritmo de estimación de pose planar estructurada. El proceso incluye:
  1. Extracción de características mediante SIFT y emparejamiento con FLANN.
  2. Cálculo de la matriz de homografía mediante RANSAC para eliminar valores atípicos.
  3. Estimación de la pose 3D utilizando datos de profundidad de cámaras Intel RealSense para construir un sistema de coordenadas ortonormal.

3. Contribuciones Clave

• Planificación de movimiento integrada con cumplimiento: Un esquema que embebe el control de admitancia directamente en la ejecución de la trayectoria, permitiendo la colaboración humano-robot segura y la capacidad de redirigir el robot físicamente.
• Prueba de concepto con visión robusta: Un sistema que utiliza la detección de objetos texturizados para la localización de objetivos, sentando las bases para la manipulación autónoma en entornos de laboratorio.

4. Resultados

La validación se realizó mediante simulaciones en ROS/Gazebo y experimentos reales con un manipulador móvil (base Ridgeback + brazo UR5e).

• Desempeño de la Visión: El sistema alcanzó una tasa de éxito de agarre del 93.7% en experimentos reales, con un error de estimación de pose de ±0.61 cm y una latencia de detección de 71 ms (aprox. 13 FPS).
• Desempeño del Control de Admitancia:
  • El robot respondió de manera proporcional a fuerzas de hasta 18 N.
  • Se logró una reducción del esfuerzo humano de aproximadamente un 34% en pruebas experimentales.
  • Los resultados mostraron una alta consistencia entre la simulación y el experimento, con tiempos de recuperación de la trayectoria de entre 0.80 s (simulación) y 1.21 s (real).
  • El error de seguimiento de fuerza (RMSE) fue de apenas 0.13 N en el entorno real.

5. Significancia

Este trabajo es fundamental para la evolución de los SDL, ya que demuestra que la robótica puede pasar de ser una herramienta rígida y preprogramada a un colaborador adaptable. La capacidad de combinar la precisión de la visión con la seguridad del control de admitancia permite que los robots operen en entornos compartidos con humanos, gestionando objetos delicados y permitiendo correcciones manuales en tiempo real sin interrumpir el flujo de trabajo científico. El estudio abre la puerta a la manipulación de objetos más complejos, como materiales transparentes o deformables, esenciales en la química y biología modernas.