建造机器人厨房助理:技术挑战和2025年我们处于哪里
需要什么才能制造一个能<unk>厨房的机器人?
[←博客]
厨房是世界上最难操纵的环境之一. 现在我们做出了诚实的技术评估, 2025 年机器人技术在哪里,
为什么厨房是特别难以使用的
厨房环境将机器人操纵的几乎每一个开放挑战都结合成一个空间.可变化的物体 (粉,蔬菜,蛋白质) 需要通过连续形状变形来通用模型.液体引入了流体动态,而目前的规划者无法可靠地预测倒
这一切都不意味着厨房自动化是不可能的,这意味着2025年成功的部署是具体的任务,而不是一般的.实际上正在工作的机器人正在解决精心的子问题.
任务分解:将作物分解成可解决的子问题
构建任何厨房机器人系统的关键见解是",
面包子组件的子任务管道
举一个具体的例子:组装一个
回面包 (L2 - 坚硬的抓住,已知架位置)- 开放面包 (L4 - 可变形的包装,可变的密封)
- 提取两片 (L3 - 可变形的物体,薄薄的纸张抓住)
- 在表面上放置切片 (L1 --释放,已知目标)
皮容器 (L2 - 坚固的抓住)- 开放容器 (L3 - 取消盖面,可变的紧密度)
肉切片 (L3 - 可变形,粘,薄)- 回收奶酪 (L2)
- 切片或放置奶酪 (L3-L5取决于是否预切片)
- 使用香料 (L4 - 压缩瓶控制,变化的粘度)
- 堆
和排列 (L2 - 符合规定的位置) - 切片三明治 (L5 - 刀操作,可变形的目标)
实际战略:首先自动化L1-L3子任务 (步骤1,4,5,8,11),使用预加工成分消除L4-L5子任务 (预切面包,预切奶酪,压缩瓶子而不是刀),并让人类了解最艰难的步骤,直到政策成熟. 这种方法可以让您部署一个部分自动化系统,处理60到70%的工作流程,并且立即有用,而不是等待一个完全自动化的解决方案.
根据子任务的培训数据要求
| 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% |
| 倒液体/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) |
厨房操纵的传感器要求
厨房工作需要比典型的桌面操作更多的感觉方式.
强力/扭矩感知:对于符合规定的抓取是必不可少的
机器人在手腕上设置的六轴力/扭矩传感器对于涉及脆弱,可变形或变形硬度的厨房任务至关重要.没有力反
- ATI Nano17 (6轴,0.012N分辨率,~$5,000):研究金标准. 蛋处理和微妙产品的极好的敏感性. 对于大多数商业部署,过度杀伤.
- 机器人RFT40 (6轴,0.1N分辨率,~$800):成本和性能的平衡良好.适合处理容器,抓瓶和大多数厨房物品.
- **集成的关节扭矩 (Franka, OpenArm) **:Franka Research 3 和 [OpenArm]
T1 ) 都具有关节水平扭矩传感器,可以推断终端效应力. 比专用F/T传感器更不精确,但足以完成许多任务,不需要额外的硬件.
触觉感知:抓住的信心和滑梯检测
抓住器手指尖的触觉传感器提供了相机无法看到的接触级信息 (抓住器在抓住时遮住物体).
- GelSight/DIGIT (视觉触觉,~$400/传感器):在30Hz时提供高分辨率触觉图像 (变形场).非常适合检测滑动,估计接触正常,测量物体硬度.集成:安装在平行
jaws gripper 指尖上,并将触觉图像输送到镜头旁边. - Paxini触觉传感器阵列:RCSV存储了Paxini传感器,以便与OpenArm和其他平台集成.分布式阵列格式 (指尖上的多个传感点而不是单个图像) 适合抓取任务,需要知道整个抓取是否稳定,而不仅仅是本地变形模式.
热感测
对于涉及热物体 (
目前成功部署
- Miso Robotics Flippy ($30K): 在商业
烤站上运行,大约2个订单/分钟翻转汉堡和管理 烤箱篮.成功,因为任务空间有限 (已知托盘位置,固定 格几何),对象变形可预测 (汉堡饼在已知方式变形),并且在一个孤立的站上运行,没有一般厨房导航. - **Nala Robotics (咖啡酒店,机场~80K美元):**自动化机场终端亭的咖啡和饮料准备.成功因素:有定制设备的结构环境,可重复性高的
子基成分处理,耐受性超过30秒的准备时间. - 运输器寿司系统: 完全自动化的
米和 顶配位系统,用于Genki寿司等链.技术上有效,但需要专门的运输器基础设施,并不涉及一般的操纵 - 材料从 子中放入移动平台.
共同点:每次成功的厨房部署都使环境变得可解决的问题, 通过限制工作空间,限制物体的多样性,
操纵任务难度规模
适用于厨房操纵的实际五级难度尺度,根据当前机器人能力进行校准:
| 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 | 倒液体 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 |
详细介绍了工程的主要挑战
- **Pan和
处理:**一个完整的商业 子 子,含量在0.5-0.7m的范围内重量2~4kg.此时臂,你需要5kg+的有效载荷在名额的范围内 - 这消除了大多数协作机器人臂 (UR5e是名额的5kg,但在850mm的范围内与 动力斗争).Fanuc CR-7iA/L和Yaskawa HC10是可靠的 操纵的最低规格. 除了有效载荷之外,热考虑要求对直接面板接触的终端效应器分别为200C的绝缘. - **
注精度:**控制液体 注需要协调手腕旋转速度与液体动态,以达到目标体积在+/-10ml内.目前的方法使用预校准的 注曲线 (对于特定的容器填充水平的旋转角到体积),而不是实时的液体模拟.适用于标准食谱,但在部分使用的容器上失败. 目标容器下面添加一个尺度,提供了闭环体积反 ,提高了精度到+/-3ml. 蛋和微妙物体的合规性: 蛋 子在约50-75N压力下失败. 安全的 蛋处理需要使用10-20N的天花板控制力--可用现代的阻力控制臂实现,如Franka Research 3或 [OpenArm] T2 ) 通过关节扭矩感知,
失败分析:厨房机器人破产的地方
在RCSV的旧金山实验室收集厨房操作数据的6个月后,我们已经列出了导致大部分任务失败的故障模式.
| 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 |
| 倒液体 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 |
成本分类:厨房机器人系统实际成本
团队经常低估厨房操纵系统的总成本. 对于一个能够执行L1-L3任务的单站系统,以下是一个现实的分类:
| Component | Option A (Budget) | Option B (Performance) |
|---|---|---|
| Robot arm | OpenArm ($4,500) | Franka Research 3 ($22,000) |
| 夹爪 + 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 |
采用 [OpenArm]
开始的实用方法
如果您想在2025-2026年建造厨房机器人项目,
- 1-2周:简单地定义任务. 在L2-L3中选择一个特定的食物准备任务. "做一块三明治"太宽了. "按顺序将预切片的成分放在面包上"是正确的颗粒度.
- **2-3周:安装硬件.**通过 [RCSV租
] ( T5 ) 租 一个 [OpenArm] T4 ) 或移动ALOHA.安装3摄像头的设置.检查电话循环从端到端工作. - **3-5周:收集200-500次演示.**使用RCSV的[数据服务]
T6 ) 支持运营商或训练自己的团队.专注于一致的,成功的集锦.训练前过 失败. - **5-6周:训练和评估.**在数据集上训练一个 [ACT政策]
T7 . 评估已保留的对象位置和照明条件.在L2-L3任务的第一次 代中,预计60-80%的成功率. - **6-8周:数据飞行车.**分析失败模式.收集50-100个针对性示范,解决3个主要失败类别.重新训练.重复直到你达到成功率目标.
收藏数据
在旧金山实验室,RCSV运行了专门的厨房操作数据收集程序, 我们目前正在收集L2-L4任务的示范,包括饮料制备,配料处理和组装任务 (三明治制造,
厨房机器人开发团队可以通过我们的 [数据服务程序]
相关阅读
- [开始电话操作] (
T10 ) --如何设置数据收集 T11 ) - - 支持大多数厨房操纵研究的算法 - [模仿学习中常见的错误] (
T12 ) - 在培训厨房政策时避免这些错误 - OpenArm vs Franka -- 选择哪个手臂做厨房任务
T14 ) --委托厨房操纵示范
厨房机器人数据收集
访问RCSV的厨房操作数据集或为您的特定