人工智能正在改变物流自动化

          自动化使用技术来增强人类在无数任务中的工作量。在物流中，自动化的潜力是巨大的，而且好处是显着的，尤其是当运营经历巨大变化或需求增加时。扩大运营规模通常需要额外的员工，而这些员工通常无法立即投入使用，尤其是在其他行业也有需求的时候。对市场波动做出快速反应需要整个运营过程中的快速行动和额外的能力。

          随着需求的变化，物流自动化可以使产能快速增长。如果有策略地使用，物流自动化可以提高生产率，减少人为错误，提高工作效率。在适当的物流自动化软件、硬件和平台资源到位的情况下，在低需求时期对运营支出的影响是最小的，远远低于维持大量的人力资源。随着需求的增加，产能已经到位，随时可以启动。虽然这给了物流公司对需求变化做出快速反应所需的灵活性，但也有机会做得更多。

          人工智能放大物流自动化影响

          将人工智能 (AI) 引入物流自动化会放大人工智能的影响。 AI 减少了常见的半技能任务（例如对产品进行分类和分类）中的错误。例如，自主移动机器人 (AMR) 可以改善包裹递送，包括通常最昂贵的最后一公里递送。 AI 帮助 AMR 进行路线规划和特征识别，例如人员、障碍物、交付门户和门口。

          将物流自动化集成到任何环境中都会带来挑战。它可以像用动力传送带替换重复过程一样简单，也可以像将协作、自主机器人引入工作场所一样复杂。当人工智能被添加到这个自动化和集成过程中时，挑战变得更加复杂，但好处也会增加。

          随着解决方案变得更加互联并且更加了解流程中的所有其他阶段，各个自动化元素的效率也会提高。将 AI 靠近生成数据和采取行动的位置，称为边缘 AI。边缘人工智能的采用已经重新定义了物流自动化。

          Edge AI 发展迅速，其用途不仅限于物流自动化。将人工智能置于网络边缘的好处必须与资源的可用性相平衡，例如电力、环境操作条件、物理位置和可用空间。

          边缘推理

          边缘计算使计算和数据更紧密地结合在一起。在传统的物联网应用中，大多数数据通过网络发送到(云)服务器，在那里处理数据，并将结果发送回网络边缘，例如物理设备。仅云计算会带来延迟，这在时间关键的系统中是不可接受的。边缘计算发挥作用的一个例子是，在分拣过程中捕获和处理本地包裹的图像数据，使物流自动化系统在0.2秒内做出响应。系统这一部分的网络延迟会减慢排序过程，但边缘计算正在消除这个潜在的瓶颈。

          虽然边缘计算使计算更接近数据，但将人工智能添加到边缘可以使过程更加灵活，甚至更不容易出错。同样，最后一公里的物流在很大程度上依赖于人类，但使用边缘 AI 的 AMR 也改善了这一点。

          增加人工智能对物流自动化中使用的硬件和软件有重大影响，而且有越来越多的潜在解决方案。通常，用于训练人工智能模型的解决方案并不适合在网络边缘部署模型。用于训练的处理资源是为服务器设计的，其中电源和内存等资源几乎是无限的。在边缘，算力与存储都是有限的。

          异构架构的趋势

           在硬件方面，大型多核处理器不太适合边缘 AI 应用。相反，开发人员正在转向针对边缘 AI 部署优化的异构硬件解决方案。这当然包括 CPU 和 GPU，但它扩展到专用集成电路 (ASIC)、微控制器 (MCU) 和 FPGA。某些架构（例如 GPU）擅长并行处理，而其他架构（例如 CPU）则更擅长顺序处理。今天，没有一种架构可以真正声称为 AI 应用提供最佳解决方案。总体趋势是使用提供最佳解决方案的硬件来配置系统，而不是使用同一架构的多个实例。

          这种趋势指向异构架构，其中有许多不同的硬件处理解决方案配置为协同工作，而不是使用多个设备的同构架构，所有设备都基于相同的处理器。能够为任何给定任务引入正确的解决方案，或在特定设备上整合多个任务，提供了更大的可扩展性和优化每瓦特和/或每美元性能的机会。

          从同构系统架构转向异构处理需要一个庞大的解决方案生态系统，以及在硬件和软件级别配置这些解决方案的成熟能力。这就是为什么与所有主要芯片应商有重要一级合作关系的供应商合作是很重要的，这些供应商为边缘计算提供解决方案，并与他们合作开发可伸缩和灵活的系统。

          此外，这些解决方案使用 Linux 等通用开源技术，以及机器人操作系统 ROS 2 等专业技术。 事实上，越来越多的开源资源正在开发中以支持物流和边缘人工智能。从这个角度来看，没有单一的“正确”软件解决方案，运行软件的硬件平台也是如此。

          自动化边缘计算的模块化方法

          为了提高灵活性并减少供应商锁定，一种方法是在硬件级别使用模块化，使任何解决方案中的硬件配置更加灵活。实际上，硬件级别的模块化允许工程师更改系统硬件的任何部分，例如处理器，而不会造成系统范围的中断。

          在部署边缘 AI 等新技术时，“升级”底层平台（无论是软件、处理器等）的能力尤为重要。每一代新的处理器和模块技术通常都会为在网络边缘运行的推理引擎提供更好的功率/性能平衡，因此能够快速利用这些性能和功率增益，并将对整个物流自动化系统的中断降到最低，并且边缘 AI 硬件系统设计是一个明显的优势。

          通过使用Docker等微服务架构和容器技术，将硬件中的模块化扩展到软件中。如果有更优化的处理器解决方案可用，即使它来自不同的制造商，利用该处理器的软件也是模块化的，可以代替先前处理器的模块使用，而无需更改系统的其余部分。软件容器还提供了一种简单而强大的方式来添加新功能，例如，适用于在边缘运行 AI。

          容器内的软件也可以模块化。

          硬件和软件的模块化和容器方法最大限度地减少了供应商锁定，这意味着解决方案不依赖于任何特定平台。它还增加了平台和应用程序之间的抽象，使最终用户更容易开发自己的不依赖于平台的应用程序。

          结论

          在物流自动化中部署边缘 AI 不需要更换整个系统。首先评估工作空间并确定可以真正从 AI 驱动的自动化中受益的阶段。主要目标是在降低运营支出的同时提高效率，特别是在劳动力短缺时期应对需求增加。

          越来越多的科技公司致力于 AI 解决方案，但这些公司通常针对的是云，而不是边缘计算。在边缘，条件非常不同，资源可能有限，甚至可能需要专用的专用通信网络。

          通过使用人工智能等技术，自动化将在物流运营中继续增长和扩展。这些系统解决方案需要设计用于恶劣的环境，与云或数据中心截然不同。我们使用模块化方法解决这个问题，该方法提供极具竞争力的解决方案、较短的开发周期和灵活的平台。