1. 实验机器人任务调度工程导论

实验机器人并不是"会做实验的机械臂"这么简单。在实验室自动化语境下，它指的是一类能够在受控环境中自主或半自主完成样本处理、试剂分配、检测读取、结果记录等实验操作序列的机电与软件集成系统。它通常由机械臂或移液工作站、样本存储与传输模块、检测仪器、传感器、控制软件和调度系统共同构成。与工业流水线上的固定节拍机器人不同，实验机器人面对的是多品种、小批量、频繁变更的实验任务，其价值不在于重复同一个动作，而在于把一组异构设备组织成能按实验协议协同工作的整体。

任务调度工程，正是让这套整体"跑得对、跑得快、跑得稳"的工程学科。它研究的是：给定一批实验任务、一组可用设备、若干约束条件（时间窗、温度、交叉污染、耗材寿命、人员权限），如何决定每个任务在何时、由哪台设备、以什么顺序执行，并在执行中根据实际状态动态调整。调度工程关注的不是单个动作的轨迹规划，而是任务之间的资源竞争、时序依赖与冲突消解。可以这样区分：机械臂控制解决"怎么把板子从A移到B"，调度解决"先移哪块板、用哪台臂、什么时候移，才不会让下游检测仪空等或让样本超时"。

典型实验场景与调度对象

自动化实验室是最常见的落地形态。以一条典型的样本前处理—检测线为例：样本从冷藏存储模块取出，经离心、开盖、移液、稀释、加试剂后进入PCR仪或酶标仪，最后结果回传LIMS。这条线上，离心机、移液工作站、PCR仪各自有独立的处理时间和容量上限，样本在室温下的稳定时间有限，移液枪头有一次性消耗约束。调度系统要同时回答：离心机批次如何凑满以提高利用率？PCR仪的96孔板如何与上游移液节奏对齐？哪些样本必须优先处理以避免超时？

高通量筛选（HTS）则把调度难度推到另一个量级。一次筛选可能涉及数万种化合物与多个浓度梯度，任务数量大、单任务时间短、设备切换频繁。此时调度目标从"完成"转向"吞吐量最大化"与"设备利用率均衡"。样本前处理场景更强调顺序依赖与污染控制：同一移液通道处理不同样本时需要清洗或更换枪头，调度必须把"清洗"作为显式任务插入序列，否则会引入交叉污染。

调度挑战的本质

实验机器人调度之所以困难，根源在于它同时叠加了多类约束。第一是任务异构性：同一系统里既有毫秒级的传感器读取，也有数十分钟的温育过程，时间尺度跨越多个数量级，统一建模并不容易。第二是时序耦合：下游检测必须等上游前处理完成，而前处理又依赖样本解冻或试剂配制，形成有向无环图（DAG）式的依赖关系，任一节点延迟都会沿链传播。第三是资源竞争：多块板争抢同一台离心机或同一个移液通道，调度必须决定谁先谁后。第四是实时扰动：设备故障、样本重测、紧急插单都会打破原有计划，系统需要具备在线重调度能力。第五是污染与耗材约束：枪头、清洗液、废液桶都是有限资源，调度不能只考虑时间，还要考虑"干净"与"可用"。

这些挑战决定了调度工程不能只靠一个静态排程算法。实际系统通常采用"离线预排程 + 在线重调度"的双层结构：离线阶段根据已知任务集生成初始计划，在线阶段监控设备状态与任务进度，一旦偏差超过阈值就触发局部调整。判断调度质量的核心指标包括：任务完成率、平均周转时间、设备利用率、超时样本比例以及重调度次数。以一条日处理200个样本的前处理线为例，若初始排程使离心机利用率仅55%，而PCR仪等待时间占比达30%，说明批次合并策略与上下游节拍匹配存在问题，应优先调整离心批次的凑批规则，而非单纯增加设备。

本课程后续将围绕任务建模、资源建模、静态排程算法、动态重调度策略、冲突消解、性能评估与工程实现逐步展开。本章的目标是建立整体认知框架：实验机器人是执行载体，任务调度是决策大脑，典型场景提供问题来源，而调度挑战定义了工程边界。理解了这个框架，后续每一章的具体方法都能找到它在系统中的位置。