Ein Roboter-Küchenassistent zu bauen: technische Herausforderungen und Standpunkt im Jahr 2025
Was es braucht, um einen Roboter zu bauen, der Küche <unk> Manipulationsprobleme, aktuelle Einsätze und die für eine zuverlässige Küchenautomation erforderliche Technik erstellen kann.
[← Blog]
Die Küche gehört zu den härtesten Manipulationsumgebungen der Welt. Hier ist eine ehrliche technische Bewertung, wo Robotik 2025 ist und was noch unerledigt bleibt.
Warum Küchen außergewöhnlich hart sind
Die Küchenumgebung vereint fast alle offenen Herausforderungen bei der Roboternmanipulation in einem einzigen Raum. Verformbare Objekte (Tehl, Gemüse, Proteine) erfordern Modelle, die sich über kontinuierliche Formverformungen verallgemeinern. Flüssigkeiten führen Flüssigkeitsdynamik ein, die aktuelle Planer nicht zuverlässig für die Gießungsaufgaben vorhersagen können. Die Wärme schafft Sicherheitsbeschränkungen, die akzeptablen Fehlermodi einschränken - ein Roboter, der eine Panne kochendem Wasser fallen lässt, ist eine andere Fehlerkategorie als einer, der einen trockenen Gegenstand fallen lässt. Die Objektvariante übersteigt 10.000 SKUs in einer voll ausgestatteten kommerziellen Küche, verglichen mit den 50 bis 200 Objektkategorien, in denen sich die derzeitigen Richtlinien zuverlässig verallgemeinern. Und menschliche Ko-Präsenz erfordert OSHA-konforme Kraftgrenzwerte und Verhaltensvorhersagbarkeit, die zusätzlich zu den bereits schwierigen Manipulationsproblemen eine Reihe von Einschränkungen hinzufügen.
Das bedeutet nicht, dass Küchenautomation unmöglich ist - es bedeutet, dass erfolgreiche Einsätze im Jahr 2025 auf Aufgaben spezifisch und nicht allgemein abzielen. Die Roboter, die tatsächlich arbeiten, lösen sorgfältig begrenzte Teilprobleme.
Aufgabe: Koch in lösbare Unterprobleme zu brechen
Die wichtigste Erkenntnis für den Bau eines Küchenrobotsystems ist, dass "Kochen" nicht eine einzige Aufgabe ist - es ist eine Reihe von Unteraufgaben mit sehr unterschiedlichen Schwierigkeitsstufen. Die unabhängige Behandlung jeder Unteraufgabe ermöglicht es Ihnen, die richtige Hardware, Steuerungsstrategie und die Ausbildungsinvestition für jede Herausforderungsebene zu passen.
Die Unteraufgabenpipeline für eine Sandwich-Versammlung
Ein konkretes Beispiel: Die Zusammenstellung eines Schinken- und Käsissandwichs, das sich in etwa 12 Teilarbeiten aufteilt:
- Rückgewinnen von Brotpackungen (L2 - starre Greifung, bekannte Regalposition)
- Offene Brotverpackung (L4 - verformbare Verpackung, variable Versiegelung)
- Zwei Scheiben (L3 - verformbares Objekt, dünnes Blattgreifen)
- Scheiben auf der Oberfläche (L1 -- Freisetzung, bekanntes Ziel)
- Hinbehälter für Schinken zurückzuziehen (L2 - starre Greifung)
- Offener Behälter (L3 - Abnahme des Decks, variable Dichtheit)
- Schinken-Scheiben zu gräben und zu platzieren (L3 - verformbar, klebrig, dünn)
- Rückgewinnung von Käse (L2)
- Scheiben oder Platzierung von Käse (L3-L5 je nachdem, ob vorgeschnitten)
- Anwendungen mit Gewürzen (L4 - Flaschenkontrolle, variable Viskosität)
- Stack und Ausrichtung (L2 - Einhaltung der Vorschriften)
- Schnitt-Sandwich (L5 - Manipulation mit Messer, verformbares Ziel)
Die praktische Strategie: automatische L1-L3-Unteraufgaben zuerst (Schritte 1, 4, 5, 8, 11), verwenden vorverarbeitete Zutaten, um L4-L5-Unteraufgaben (vorgeschnittenes Brot, vorgeschnittenes Käse, Flaschen anstelle von Messer zu drücken) zu beseitigen, und halten Menschen für die härtesten Schritte in der Schleife, bis die Richtlinien reif sind. Dieser Ansatz ermöglicht es Ihnen, ein teilweise automatisiertes System einzusetzen, das 60-70% des Workflows verarbeitet und sofort nützlich ist, anstatt auf eine vollständig autonome Lösung zu warten.
Schulungsdatenanforderungen nach Unteraufgaben
| Subtask Category | Demo Count | Collection Time | Expected Success Rate |
|---|---|---|---|
| Rigid object pick-place (L1-L2) | 100-300 | 2-4 hours | 85-95% |
| Container manipulation (L3) | 300-800 | 8-16 hours | 70-85% |
| Deformable grasping (L3-L4) | 500-2,000 | 1-3 days | 60-80% |
| Gießen/dispensing (L4) | 500-1,500 | 1-2 days | 70-85% |
| Tool use -- knife/spatula (L5) | 2,000-5,000+ | 1-2 weeks | 40-60% (research stage) |
Sensoranforderungen für die Küchenmanipulation
Die Küchenarbeit erfordert mehr Sensor-Modalitäten als die typische Tischmanipulation.
Kraft-/Torksensing: Notwendig für die Einhaltung der Vorschriften
Ein 6-Achsen-Kraft-/Torksensor am Handgelenk ist entscheidend für Küchentätigkeiten mit zerbrechlichen, verformbaren oder variablen Steifegehaltenen Objekten. Ohne Kraftfeedback hat der Roboter keine Möglichkeit, zwischen einer festen und einer weichen Tomate zu unterscheiden - und die greifende Kraft, die für die eine funktioniert, wird die andere zerquetschen.
- ATI Nano17 (6-Achse, 0,012N-Auflösung, ~ $ 5.000): Forschungsgoldstandard. Ausgezeichnete Empfindlichkeit für den Umgang mit Eiern und empfindlichen Produkten. Überschuss für die meisten kommerziellen Einsätze.
- ** Roboter-RFT40** (6-Achse, 0,1 N-Auflösung, ~ $ 800): Gutes Kostenausgleichs- und Leistungsgewicht.
- **Integriertes Gelenkmoment (Franka, OpenArm) **: Sowohl die Franka Research 3 als auch die OpenArm verfügen über ein Gelenkmomentsensing, das Endeffektorkräfte abzuleiten kann.
Taktile Wahrnehmung: Griffvertrauen und Spülkennung
Die Touch-Sensoren an den Fingerspitzen des Griffers liefern Kontaktinformationen, die von den Kameras nicht gesehen werden können (das Objekt wird beim Griff durch den Griff verstopft).
- GelSight/DIGIT (Vision-Based Tactile, ~ $ 400/Sensor): Bietet ein hochauflösendes taktiles Bild (Deformationfeld) bei 30Hz. Ausgezeichnet für die Erkennung von Schlüpfen, die Schätzung von Kontaktnormalität und die Messung der Objektstärke. Integration: Montage auf parallelen Kiefergrifferfinger, führen taktile Bilder der Politik neben Kamerabeobachtungen.
- Paxini-Takt-Sensor-Arrays: RCSV speichert Paxini-Sensoren für die Integration mit OpenArm und anderen Plattformen. Das verteilte Array-Format (mehrere Sensorpunkte über der Fingerspitze und nicht ein einzelnes Bild) eignet sich gut für die Festnahme von Aufgaben, bei denen Sie wissen müssen, ob das gesamte Festhalten stabil ist, nicht nur das lokale Verformungsmuster.
Wärmeempfindung
Für Aufgaben mit heißen Objekten (Pannenbearbeitung, Ofenladen) bietet ein FLIR Lepton-Thermalkamera-Modul (~200 USD, 160x120 Auflösung, 8Hz) in der Nähe der Handgelenkkamera Temperaturbewusstsein. Dies ist eine Sicherheitsanforderung, nicht eine gute Anforderung - die Richtlinie muss wissen, ob eine Oberfläche 25C oder 250C ist, bevor man Kontakt aufnimmt.
Aktuelle erfolgreiche Einsätze
- Miso Robotics Flippy ($30K): Operiert an kommerziellen Bratstationen, flippt Burger und verwaltet Bratkorben bei etwa 2 Bestellungen/minute. Erfolgreich, weil die Aufgabe räumlich eingeschränkt ist (bekannte Aufstellungen, feste Grill-Geometrie), die Objektdeformation vorhersehbar ist (Burger-Patties deformieren sich auf bekannte Weise) und es arbeitet an einer isolierten Station ohne allgemeine Küchennavigation.
- Nala Robotics (Coffee Barista, Flughäfen ~ $80K): Automatisiert die Kaffee- und Getränkevorbereitung in Flughafenterminalkiosken. Erfolgsfaktoren: strukturierte Umgebung mit maßgeschneiderter Ausrüstung, hoch wiederholbarer Kartuschenbasierter Zutatenbearbeitung und Toleranz für mehr als 30 Sekunden Vorbereitungstunden.
- Conveyor Sushi Systems: Voll automatisierte Reis- und Topfplatzierungssysteme, die in Ketten wie Genki Sushi verwendet werden. Technisch effektiv, erfordert jedoch eine speziell gebaute Conveyor-Infrastruktur und beinhaltet keine allgemeine Manipulation - Zutaten werden aus Patronen auf bewegliche Plattformen verteilt.
Der gemeinsame Grund: Jede erfolgreiche Küchenentwicklung hat die Umwelt zu einem lösbaren Problem** reduziert, indem sie den Arbeitsplatz beschränkt, die Objektvielfalt begrenzt und maßgeschneiderte Geräte um die Fähigkeiten des Roboters konzipiert haben, anstatt den Roboter an willkürliche Küchengeräte anzupassen zu lassen.
Manipulationsarbeit Schwierigkeitsgrad
Eine praktische Schwierigkeitsskala von 5 Stufen für die Küchenmanipulation, kalibriert nach der aktuellen Roboterfähigkeit:
| Level | Example Task | Key Challenge | 2025 State of Art |
|---|---|---|---|
| L1 | Coffee pod insertion | Constrained fit, known object | Solved -- commercial products ship |
| L2 | Cup placement on tray | Rigid object, flat surface | Solved in structured environments |
| L3 | Flipping a burger | Spatula dynamics, partial occlusion | Commercial (Flippy) -- fixed setup only |
| L4 | Gießen liquid | Fluid dynamics, variable fill level | Research -- 70-85% success in lab |
| L5 | Knife skills (dicing) | Deformable object, safety constraints | Research only -- not close to deployment |
Schlüsseltechnische Herausforderungen im Detail
- Pan und Pot Handling: Eine vollständige kommerzielle Sautepan mit Inhalte wiegt 2-4 kg bei einer Reichweite von 0,5-0,7 m. Zu diesem Zeitpunkt benötigen Sie 5 kg + Nutzlast bei einer Nenn Reichweite - dies eliminiert die meisten kollaborativen Roboterarme (UR5e ist 5 kg bewertet, aber bei 850 mm Reichweite kämpft mit der Pan-Dynamik). Neben der Nutzlast ist für thermische Zwecke eine End-Effektor-Isolierung mit einer Bewertung von 200 C für den direkten Kontakt mit der Pan erforderlich.
- Gebenheitsgrad: Bewältigte Flüssigkeitsguss erfordert die Koordinierung der Handgelenk-Rotationsrate mit der Flüssigkeitsdynamik, um ein Zielvolumen innerhalb von +/-10 ml zu erreichen. Die Hinzufügung einer Skala unter dem Zielbehälter liefert eine Volumenrückkopplung in geschlossener Schleife, die die Genauigkeit auf +/-3ml verbessert.
- Egg und Feinstoffkonformität: Eierschalen scheitern bei etwa 50-75 N der Druckkraft. Bei einem sicheren Umgang mit Eiern ist die Kraftkontrolle mit einer 10-20 N-Oberfläche erforderlich. Das ist mit modernen impedanzkontrollierten Armen wie Franka Research 3 oder [OpenArm]
T2 mit Gelenksensor möglich, aber es ist eine explizite Kraftüberwachung in der Steuerungsschleimung erforderlich, nicht nur Positionkontrolle mit sanften Bewegungsprofilen.
Ausfallanalyse: Wo Küchenroboter abbrechen
Nach 6 Monaten der Datenerhebung über Küchenmanipulationen im Labor von RCSV in San Francisco haben wir die Fehlermodi katalogisiert, die für die meisten Aufgabenfehler verantwortlich sind.
| Failure Mode | Frequency | Root Cause | Mitigation |
|---|---|---|---|
| Grasp slip on wet/oily objects | ~25% of failures | Friction coefficient changes with surface moisture | Textured gripper pads; increase grasp force 30% for wet objects; tactile slip detection |
| Object deformation during grasp | ~20% of failures | Policy trained on rigid objects applied to deformables | Separate policies for rigid vs. deformable; force-limited grasping with 10N cap for soft items |
| Occlusion during multi-step tasks | ~18% of failures | Robot arm blocks camera view of workspace during manipulation | Wrist-mounted camera is essential; 3-camera setup minimum |
| Gießen overshoot/undershoot | ~15% of failures | No closed-loop volume feedback | Scale under target container; pre-calibrated pour curves per container type |
| Collision with kitchen fixtures | ~12% of failures | Cluttered workspace geometry not fully perceived | Depth camera for collision avoidance; workspace decluttering protocol between tasks |
Kostenverteilung: Was ein Küchenroboter-System eigentlich kostet
Die Kosten für eine Küchenmanipulation werden oft unterschätzt. Hier ist eine realistische Aufschlüsselung für ein einstufiges System, das L1-L3-Aufgaben erfüllen kann:
| Component | Option A (Budget) | Option B (Performance) |
|---|---|---|
| Robot arm | OpenArm ($4,500) | Franka Research 3 ($22,000) |
| Greifer + tactile | Parallel jaw + GelSight ($800) | Robotiq 2F-85 + Paxini ($3,500) |
| Cameras (3x) | USB ELP modules ($90) | Intel RealSense D435i ($500) |
| F/T sensor | Joint torque (included) | ATI Nano17 ($5,000) |
| Compute (edge) | Jetson Orin Nano ($249) | Jetson AGX Orin ($1,999) |
| Kitchen station + mounts | $500 | $2,000 |
| Data collection (500 demos via RCSV) | $2,500 (pilot) | $8,000 (campaign) |
| Total | ~$8,600 | ~$43,000 |
Die Budgetoption mit [OpenArm]
Ein praktisches Rezept zum Anfangen
Wenn Sie ein Küchenroboterprojekt in den Jahren 2025-2026 bauen möchten, ist hier der empfohlene Weg:
- Woche 1-2: Definieren Sie Ihre Aufgabe eng. Wählen Sie eine spezifische Lebensmittelbereitungsaufgabe in L2-L3. "Mach ein Sandwich" ist zu breit. "Setzen Sie die vorgeschnittenen Zutaten auf Brot in Folge" ist die richtige Granularität.
- ** Woche 2-3: Einrichten von Hardware.** Mieten Sie eine OpenArm oder Mobile ALOHA durch RCSV-Leasing. Installieren Sie die 3-Kamera-Einstellung. Überprüfen Sie, ob die Teleop-Schleife end-to-end funktioniert.
- Woche 3-5: Sammeln Sie 200-500 Demonstrationen. Nutzen Sie die [Datendienste] von RCSV für die Betreiberunterstützung oder trainieren Sie Ihr eigenes Team. Konzentrieren Sie sich auf konsequente, erfolgreiche Episoden. Filtern Sie Fehler vor dem Training.
- Weke 5-6: Ausbilden und bewerten. Ausbilden Sie eine [ACT-Politik]
T7 ) auf Ihrem Datensatz. bewerten Sie auf gehaltenen Objektepositionen und Lichtbedingungen. Erwarten Sie eine Erfolgsrate von 60-80% bei der ersten Iteration für L2-L3-Aufgaben. - Woche 6-8: Daten-Flugrad. Analyse der Fehlermodus. Sammeln Sie 50-100 gezielte Demonstrationen, die die drei wichtigsten Fehlerkategorien behandeln. Retrain. Iteratieren Sie, bis Sie Ihr Erfolgsziel erreichen.
Erhebung von Daten über Küchenarbeiten
RCSV betreibt ein spezielles Küchenmanipulation-Daten-Sammlungsprogramm in unserem Labor in San Francisco, mit einer speziell gebauten Küchenstation, die kommerzielle Ausrüstung, Ladungszellen auf allen Oberflächen und ein Multi-Kamera-Fangsystem enthält. Wir sammeln derzeit Demonstrationen für Aufgaben von L2-L4, einschließlich Getränkevorbereitung, Zutatenbehandlung und Montage (Sandwichkonstruktion, Plattenvorbereitung).
Teams, die Küchenroboter bauen, können auf diesen Datensatz zugreifen oder eine maßgeschneiderte Sammlung über unser [Datendienstprogramm]
Verwandte Lesungen
- Start mit Teleoperation -- Wie man die Datenerfassung einrichtet
- [ACT-Politik erklärt]
T11 ) -- der Algorithmus, der die meisten Küchenmanipulationenforschungen antreibt - [Gemässliche Fehler beim Nachahmen]
T12 ) - vermeiden Sie diese bei der Ausbildung von Küchenpolitik - OpenArm vs Franka -- welchen Arm für Küchenarbeiten zu wählen ist
- RCSV-Datendienste -- Kommissions-Küchenmanipulation Demonstrationen
Küchenroboter-Daten-Sammlung
Sie können auf RCSV's Küchenmanipulation-Datenpaket zugreifen oder benutzerdefinierte Demonstrationen für Ihre spezifischen Kocharbeiten anstellen.
[Erforschen Sie die Datendienste] [T15