人生就是博·(中国区)官方网站z6首页
仓储成为 AI 机械人的孵化器！
货物种类多样重大 ，客栈无法导入古板机械手臂处置惩罚
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、高速率重复执行特定使命 ，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 ，也无法像人类一样无邪转变。一旦生产商品或流程变换 ，工程师就需要重新编写程式；甚至只要情形中有些微转变 ，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 ，更不必说要处置惩罚时常变换的客制化零件。
为此 ，系统整合业者特殊设计了振动台、送料器、运送带等 ，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缘故原由之一：平均来说 ，一辆汽车会有一到两万多个自力零件。若是这样听起来已经够多、够重大 ，想像一下一样平常客栈中 ，通常有上百万种商品、以及林林总总的包装 ，这样的多样化水平 ，为机械手臂的自动化应用增添了许多灾度。对古板的机械视觉及自动化来说 ，这意味着必需事先登录上百万种商品、并且编写程式教育机械人对各个商品做差别的处置惩罚 ，不但旷日费时 ，并且险些是不可能的使命。
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使命 ，现在却由于深度强化学习（Deep Reinforcement Learning ，DRL）的泛起而泛起契机；由于 DRL 可以协助机械识别、应对周围情形 ，并自主学习处置惩罚多样的产品及事情内容。
有了足够的资料与训练 ，DRL 机械人就能自学新能力、逐渐前进；就像我们的学习方法一样 ，经由实验、或是他人树模 ，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 ，使用 DRL 自我学习 ，最终战胜天下棋王。
每次的抓取和试验 ，都使机械人变得更智慧、更善于掌握使命内容；别的 ，云端连线的机械人还能相互学习交流。这样的重大转变 ，使得机械人解决计划越发灵巧、弹性、并且有用率。那么事实什么是深度强化学习？
深度强化学习简朴来说 ，就是深度学习（DL）以及强化学习（RL）的团结：
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：若是要你找出一套规则 ，教机械怎样辨识猫 ，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；透过赏罚机制、边做边试、从过失中学习 ，从而学习到怎样强化控制方法。举例来说 ，我们学习走路的时间 ，并不需要先看「走路时枢纽怎样运动」的照片；而是直接实验 ，逐渐从跌跌撞撞前进到可以顺遂自行行走。
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）同时团结了以上两种要领。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。
这样的手艺还在生长当中 ，现在适用的规模包括了：
1. 简朴或模拟的使命
2. 容错（fault-tolerant）使命
3. 需要处置惩罚的状态许多样 ，因此很难以人工编写规则的事情
4. 容易界说夸奖机制及目的的事情
5. 情形中不确定因素较低的事情
切合 5 大条件 ，客栈成为 AI 机械人的孵化器
一样平常公认 ，客栈货物分拣作业是最适合 AI 机械手臂早期普遍应用的使用情境。以上述适合 DRL 应用的五个条件来说：
首先 ，货物分拣是相对简朴、并且可以容错的使命；就算机械人不小心失误 ，也只要将货物重新捡起来 ，不破损物品就可以。相反的 ，若是手术机械人泛起失误 ，就不是可以容易解决的问题。
其次 ，使命内容虽然相对简朴 ，但需要处置惩罚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使命�？梢岳殖傻啬萌』跷锞褪抢殖伞⒎粗褪鞘О� ，以是相对容易界说夸奖机制及目的。
最后 ，一样平常的自动化客栈是相对受限的情形；虽然照旧有不确定性 ，但相关于一样平常家庭或大街上 ，不确定因素照旧少了许多。
另外 ，客栈中需要完成的使命往往十分相似 ，并且订单拣货佔了大大都客栈营运本钱的 40% 以上 ，人工本钱佔客栈总预算高达 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 ，零售商无一不想法追求客栈自动化 ，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客栈货物分拣作为第一个应用案例 ，希望使用客栈做为试验场 ，让 AI 机械人手艺更进一步、也让更多古板公司瞭解这项新手艺。
货物分拣是机械人研究领域的「最终目的」
客栈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」）等种种装备。
但大都人不知道的是 ，自动化客栈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 ，更高达仓储谋划总预算的 50% 到 70%。
除此之外 ，机械人的本钱自 1990 年月以来一连大幅下降；同时 ，客栈工人欠缺却导致每年平均人为上涨 6% 至 8%。综合以上缘故原由 ，货物分拣一直是客栈业者想自动化、却苦无要领着力的最终目的。
以是 ，「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「最终目的」。
年复一年 ，Amazon 和 KUKA 等公司都为新创公司和学术团队举行机械人挑战赛 ，希望藉此打造出有能力识别、拣货、贮放货物的机械。近年来 ，由于深度学习手艺的泛起 ，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。
但这项手艺仍未臻完善。对机械来说 ，识别数万万个物件、并处置惩罚可变形物件或透明包装物品 ，仍然充满挑战；然而 ，凭证访谈 Locus Robotics 与 OSARO 等美国客栈机械人新创的效果 ，许多工业专家预计这项手艺很快就会成熟 ，在接下来五年内大宗获得客栈採用。
另一方面 ，包括亚马逊、Standard Cognition 等公司 ，都正在开发无人市肆、生长使用 AI 的商品识别手艺；或许在不久的未来 ，就会泛起能识别客栈里大部分商品的智慧相机。
若是这种情形真的爆发 ，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
