EBET易博首页
仓储成为 AI 机械人的孵化器！
货物种类多样复杂 ，仓库无法导入传统机械手臂处置
透过程式设计 ，工厂内常见的机械手臂能以超过人类的高精度、高速度沉复执行特定工作 ，甚至举起人类无法负荷的沉物。
但是 ，就算是此刻最先进的机械手臂 ，也无法像人类一样矫捷变动。一旦出产商品或流程调换 ，工程师就必要沉新编写程式；甚至只有环境中有些微变动 ，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 ，更不用说要处置时常变换的客造化零件。
为此 ，系统整合业者出格设计了振动台、送料器、输送带等 ，以确；等四芤酝慕嵌群偷匚换袢⊥牧慵；然而这些周边硬体和整合用度 ，往往比机械手臂自身还要贵四五倍以上 ，不只所费不赀、也不够有弹性。
这也是为什么车厂无法齐全自动化的原因之一：均匀来说 ，一辆汽车会有一到两万多个独立零件。若是这样听起来已经够多、够复杂 ，想像一下通常仓库中 ，通常有上百万种商品、以及形形色色的包装 ，这样的多样化水平 ，为机械手臂的自动化利用增长了很多难度。对传统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分歧的处置 ，不只旷日费时 ，并且险些是不成能的工作。
深度强化进建让机械手臂更聪明
然而这个以往看来不成能的工作 ，此刻却由于深度强化进建（Deep Reinforcement Learning ，DRL）的出现而呈显祯机；由于 DRL 能够协助机械鉴别、应对周围环境 ，并自主进建处置多样的产品及工作内容。
有了足够的资料与操练 ，DRL 机械人就能自学新能力、逐步进取；就像EBET易博进建方式一样 ，经过尝试、或是他人示范 ，机械也能够学着鉴别影像、打赢电玩游戏 ，或是像 Deep Mind 研发的 Alpha Go Zero 一样 ，利用 DRL 自我进建 ，最终战胜世界棋王。
每次的抓取和试验 ，都使机械人变得更聪明、更长于把握工作内容；此表 ，云端连线的机械人还能相互进建互换。这样的巨大转变 ，使得机械人解决规划越发灵巧、弹性、并且有效率。那么到底什么是深度强化进建？
深度强化进建单一来说 ，就是深度进建（DL）以及强化进建（RL）的结合：
深度进建（DL）
深度进建以人为神经网路架构为基础 ，是机械进建的一种 ，重要用于影像分类。举例注明：若是要你找出一套规定 ，教机械若何辨始 ，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距？
深度进建不必要我们自己找出规定 ，只有直接给机械一堆猫的照片 ，就能让机械自己学会一套分辨猫的规定。
强化进建（RL）
强化进建的灵感来自于行为生理学；透过赏罚机造、边做边试、从谬误中进建 ，从而进建到若何强化节造方式。举例来说 ，我们进建走路的时辰 ，并不必要先看「走路时关节若何活动」的照片；而是直接尝试 ，逐步从跌跌撞撞进取到能够顺利自行行走。
同样的 ，机械也能够透过这种方式来进建作为。
深度强化进建（DRL）
深度强化进建（DRL）同时结合了以上两种步骤。因而机械手臂此刻能透过深度进建 ，来自主辨识分歧的物体；并藉由强化进建 ，对于分歧物体採取分歧的因应作为。
这样的技术还在发展傍边 ，目前合用的领域蕴含了：
1. 单一或仿照的工作
2. 容错（fault-tolerant）工作
3. 必要处置的情况好多样 ，因而很难以人为编写规定的工作
4. 容易界说奖赏机造及指标的工作
5. 环境中不确定成分较低的工作
切合 5 大前提 ，仓库成为 AI 机械人的孵化器
通常公认 ，仓库货物分拣作业是最适合 AI 机械手臂早期宽泛利用的使用情境。以上述适合 DRL 利用的五个前提来说：
首先 ，货物分拣是相对单一、并且能够容错的工作；就算机械人不幼心失误 ，也只有将货物沉新捡起来 ，不粉碎物品就能够。相反的 ，若是手术机械人出现失误 ，就不是能够等闲解决的问题。
其次 ，工作内容固然相对单一 ，但必要处置的商品多达上百万种、包装千奇百怪 ，因而无法光靠人为编写程式来实现工作Ｄ芄怀晒Φ啬萌』跷锞褪浅晒Α⒎粗褪鞘О ，所以相对容易界说奖赏机造及指标。
最后 ，通常的自动化仓库是相对受限的环境；固然还是有不确定性 ，但相对于通常家庭或大街上 ，不确定成分还是少了好多。
另表 ，仓库中必要实现的工作往往极度类似 ，并且订单拣货佔了大无数仓库营运成本的 40% 以上 ，人为成本佔仓库总预算高达 70%；因而在亚马逊（Amazon）等电子商务公司降低成本、钻营急剧到货的火上加油下 ，零售商无一不设法钻营仓库自动化 ，而这也让仓储自动化成为 AI 机械人的利用案例首选。
很多新创公司都选择仓库货物分拣作为第一个利用案例 ，但愿利用仓库做为试验场 ，让 AI 机械人技术更进一步、也让更多传统公司瞭解这项新技术。
货物分拣是机械人钻研领域的「终极指标」
仓库自动化已经存在数十年 ，也发展出了自动仓储系统、自动导引车（AGV ，如 Amazon Robotics 现行的「Kiva」）等各类设备。
但无数人不知路的是 ，自动化仓库内的货物拣选与包装作业依然是由人为执行；而这些作业的人为成本 ，更高达仓储经营总预算的 50% 到 70%。
除此之表 ，机械人的成本自 1990 年代以来持续大幅降落；同时 ，仓库工人欠缺却导致每年均匀工资上涨 6% 至 8%。综合以上原因 ，货物分拣一向是仓库业者想自动化、却苦无步骤着力的终极指标。
所以 ，「拣货能力」持久以来一向是机械人钻研中被誉为圣杯（holy grail）、也就是难以突破的「终极指标」。
年复一年 ，Amazon 和 KUKA 等公司都为新创公司和学术团队进行机械人挑战赛 ，但愿藉此打造出有能力鉴别、拣货、贮放货物的机械。近年来 ，由于深度进建技术的出现 ，终于促使机械人有能力鉴别、遴选、并且妥善搁置数百、甚至多达数千件的物品。
但这项技术仍未臻美满。对机械来说 ，鉴别数千万个物件、并处置可变形物件或通明包装物品 ，依然充斥挑战；然而 ，凭据访谈 Locus Robotics 与 OSARO 等美国仓库机械人新创的了局 ，很多产业专家预计这项技术很快就会成熟 ，在接下来五年内大量获得仓库採用。
另一方面 ，蕴含亚马逊、Standard Cognition 等公司 ，都在开发无人商店、发展利用 AI 的商品鉴别技术；或许在不久的未来 ，就会出现能鉴别仓库里大部门商品的智慧相机。
若是这种情况真的产生 ，不仅足以影响仓储作业 ，还将冲击零售、出货 ，以及很多其他我们从未想像过的利用场景。
客服热线： 400-888-1312
手机： 17727148789
邮箱：scb@fsqcwl.com
传真：0757-86289920
地址：广东省拉萨市南海区西樵镇金东南路16号
粤公网安备 44060502003207号
