研究动机：
• 解决欧盟对稀土矿物和关键原材料(CRMs)供应链的依赖问题，这些材料主要依赖进口。
• 通过从报废产品中回收CRMs来提高供应链的韧性和安全性。
• 当前材料流分析(MFA)缺乏准确研究材料存量与流动所需的实时、细粒度数据。
核心方法：
• 开发基于视觉的机器人拆解系统，利用运行在边缘设备(edge devices)上的实时视觉检测技术识别PC桌面组件。
• 采用基于学习(learning-based)的视觉方法处理因意外损坏导致几何形状不可预测的物品，提高适应性。
• 结合神经网络检测器生成的边界框(bounding boxes)信息，为不同PC组件设计机器人末端执行器(end-effectors)和确定物体接触点。
• 集成同步材料(synchromaterials)方法，以自主、高细粒度、及时的方式生成实时同步的本地及广域（如国家层面）材料质量信息，为MFA提供数据。
核心创新点：
• **双重目标集成创新**：将机器人拆解与实时材料流分析(MFA)数据采集两个目标在单一系统中同步实现，突破了传统拆解仅关注物理分离的局限。
• **视觉与MFA的实时闭环**：利用基于学习的实时视觉检测驱动自适应机器人拆解，同时通过“同步材料”技术将拆解过程直接转化为实时、细粒度的MFA数据流，实现了“感知-动作-数据”的实时闭环。
• **边缘计算与适应性处理**：在边缘设备上运行视觉检测，并强调系统能处理几何形状不可预测的损坏物品，提升了在复杂、非结构化拆解场景中的实用性和鲁棒性。
总体贡献：
• 提出并初步开发了一个集成框架，将机器人自适应拆解与实时材料流分析(MFA)数据采集相结合，为从电子废弃物中回收关键原材料(CRMs)提供了新的技术路径。
• 为解决MFA领域长期存在的数据缺乏、更新滞后问题，展示了如何通过机器人视觉和“同步材料”方法自动生成实时、高细粒度的材料流数据。
• 为构建更智能、数据驱动的循环经济(circular economy)和资源管理生态系统提供了关键的技术模块和概念验证。