AG旗舰厅首页
仓储成为 AI 机械人的孵化器！
货物种类多样庞大，货仓无法导入古板机械手臂处理
透历程式设计，工厂内常见的机械手臂能以逾越人类的高精度、高速度重复执行特定任务，甚至举起人类无法负荷的重物。
可是，就算是现在最先进的机械手臂，也无法像人类一样灵活变革。一旦生产商品或流程变换，工程师就需要重新编写程式 ；甚至只要情况中有些微变革，例如某个零件稍微往左移动几公分，机械手臂往往就无法应变，更不必说要处理时常变换的客制化零件。
为此，系统整合颐魅者特别设计了振动台、送料器、输送带等，以确� ；等四芤酝慕嵌群臀恢没袢⊥牧慵� ；然而这些周边硬体和整适用度，往往比机械手臂自己还要贵四五倍以上，不但所费不赀、也不敷有弹性。
这也是为什么车厂无法完全自动化的原因之一：平均来说，一辆汽车会有一到两万多个独立零件。如果这样听起来已经够多、够庞大，想像一下一般货仓中，通常有上百万种商品、以及各式各样的包装，这样的多样化水平，为机械手臂的自动化应用增加了许多灾度。对古板的机械视觉及自动化来说，这意味着必须事先登录上百万种商品、并且编写程式教导机械人对各个商品做差别的处理，不但旷日费时，并且险些是不可能的任务。
深度强化学习让机械手臂更智慧
然而这个以往看来不可能的任务，现在却因为深度强化学习（Deep Reinforcement Learning，DRL）的泛起而泛起契机 ；因为 DRL 可以协助机械识别、应对周围情况，并自主学习处理多样的产品及事情内容。
有了足够的资料与练习，DRL 机械人就能自学新能力、逐渐进步 ；就像我们的学习方法一样，经过实验、或是他人示范，机械也可以学着识别影像、打赢电玩游戏，或是像 Deep Mind 研发的 Alpha Go Zero 一样，利用 DRL 自我学习，最终战胜世界棋王。
每次的抓取和试验，都使机械人变得更智慧、更善于掌握任务内容 ；别的，云端连线的机械人还能相互学习交流。这样的巨大转变，使得机械人解决计划越发灵巧、弹性、并且有效率。那么究竟什么是深度强化学习？
深度强化学习简单来说，就是深度学习（DL）以及强化学习（RL）的结合：
深度学习（DL）
深度学习以人工神经网路架构为基础，是机械学习的一种，主要用于影像分类。举例说明：如果要你找出一套规则，教机械如何辨识猫，你可能会说「一只猫有四只脚、两只耳朵、毛茸茸的」。但这样和形容狗有什么差别？
深度学习不需要我们自己找出规则，只要直接给机械一堆猫的照片，就能让机械自己学会一套区分猫的规则。
强化学习（RL）
强化学习的灵感来自于行为心理学 ；透过奖惩机制、边做边试、从过失中学习，从而学习到如何强化控制方法。举例来说，我们学习走路的时候，并不需要先看「走路时枢纽如何运动」的照片 ；而是直接实验，逐渐从跌跌撞撞进步到可以顺利自行行走。
同样的，机械也可以透过这种方法来学习行动。
深度强化学习（DRL）
深度强化学习（DRL）同时结合了以上两种要领。因此机械手臂现在能透过深度学习，来自主辨识差别的物体 ；并藉由强化学习，关于差别物体採取差别的因应行动。
这样的技术还在生长当中，目前适用的规模包括了：
1. 简单或模拟的任务
2. 容错（fault-tolerant）任务
3. 需要处理的状况许多样，因此很难以人工编写规则的事情
4. 容易界说奖赏机制及目标的事情
5. 情况中不确定因素较低的事情
切合 5 大条件，货仓成为 AI 机械人的孵化器
一般公认，货仓货物分拣作业是最适合 AI 机械手臂早期广泛应用的使用情境。以上述适合 DRL 应用的五个条件来说：
首先，货物分拣是相对简单、并且可以容错的任务 ；就算机械人不小心失误，也只要将货物重新捡起来，不破坏物品就可以。相反的，如果手术机械人泛起失误，就不是可以轻易解决的问题。
其次，任务内容虽然相对简单，但需要处理的商品多达上百万种、包装千奇百怪，因此无法光靠人工编写程式来完成任务�？梢岳殖傻啬萌』跷锞褪抢殖伞⒎粗褪鞘О�，所以相对容易界说奖赏机制及目标。
最后，一般的自动化货仓是相对受限的情况 ；虽然照旧有不确定性，但相关于一般家庭或大街上，不确定因素照旧少了许多。
另外，货仓中需要完成的任务往往十分相似，并且订单拣货佔了大大都货仓营运本钱的 40% 以上，人工本钱佔货仓总预算高达 70% ；因此在亚马逊（Amazon）等电子商务公司降低本钱、追求快速到货的推波助澜下，零售商无一不设法追求货仓自动化，而这也让仓储自动化成为 AI 机械人的应用案例首选。
许多新创公司都选择货仓货物分拣作为第一个应用案例，希望利用货仓做为试验场，让 AI 机械人技术更进一步、也让更多古板公司瞭解这项新技术。
货物分拣是机械人研究领域的「终极目标」
货仓自动化已经保存数十年，也生长出了自动仓储系统、自动扶引车（AGV，如 Amazon Robotics 现行的「Kiva」）等种种设备。
但大都人不知道的是，自动化货仓内的货物拣选与包装作业仍然是由人工执行 ；而这些作业的人工本钱，更高达仓储经营总预算的 50% 到 70%。
除此之外，机械人的本钱自 1990 年代以来连续大幅下降 ；同时，货仓工人缺少却导致每年平均人为上涨 6% 至 8%。综合以上原因，货物分拣一直是货仓颐魅者想自动化、却苦无要领着力的终极目标。
所以，「拣货能力」恒久以来一直是机械人研究中被誉为圣杯（holy grail）、也就是难以突破的「终极目标」。
年复一年，Amazon 和 KUKA 等公司都为新创公司和学术团队举办机械人挑战赛，希望藉此打造出有能力识别、拣货、贮放货物的机械。近年来，因为深度学习技术的泛起，终于促使机械人有能力识别、挑选、并且妥善安排数百、甚至多达数千件的物品。
但这项技术仍未臻完善。对机械来说，识别数千万个物件、并处理可变形物件或透明包装物品，仍然充满挑战 ；然而，凭据访谈 Locus Robotics 与 OSARO 等美国货仓机械人新创的结果，许多工业专家预计这项技术很快就会成熟，在接下来五年内大宗获得货仓採用。
另一方面，包括亚马逊、Standard Cognition 等公司，都正在开发无人商店、生长利用 AI 的商品识别技术 ；或许在不久的将来，就会泛起能识别货仓里大部分商品的智慧相机。
如果这种情况真的爆发，不但足以影响仓储作业，还将攻击零售、出货，以及许多其他我们从未想像过的应用场景。
客服热线： 400-888-1312
手机： 17727148789
邮箱：scb@fsqcwl.com
传真：0757-86289920
地点：广东省佛山市南海区西樵镇金东南路16号
粤公网安备 44060502003207号
