人工智能正在改變物流自動(dòng)化的方式，將為勞動(dòng)密集型產(chǎn)業(yè)帶來(lái)革新

自動(dòng)化利用技術(shù)的手段，讓人類(lèi)可以完成更多的任務(wù)。在物流領(lǐng)域，自動(dòng)化的潛力巨大且其帶來(lái)的好處也是顯而易見(jiàn)的，尤其是當運營(yíng)方式出現巨大變化或者需求不斷增加的情況下。擴大運營(yíng)規模通常需要增加額外的員工，而這些員工通常沒(méi)辦法立刻上崗，尤其是其他行業(yè)也有類(lèi)似需求的時(shí)候。如何在市場(chǎng)波動(dòng)的情況下做出快速的反應，需要在整個(gè)運營(yíng)的過(guò)程中具有快速的行動(dòng)力以及其他額外的能力。

物流自動(dòng)化可以根據需求的變化快速實(shí)現增容。將物流自動(dòng)化提升到戰略性的地位之后，不僅可以提高生產(chǎn)力，而且還可以減少人為錯誤，進(jìn)而提高工作效率。有了合適的物流自動(dòng)化軟件、硬件和平臺資源，即使在需求較低的時(shí)期，對運營(yíng)成本的影響也比較小，遠遠低于要維持大量人力所需要的成本。隨著(zhù)需求的增加，運營(yíng)的能力已經(jīng)準備就緒并且能夠快速啟動(dòng)。雖然這些方式能夠為物流公司帶來(lái)所需的靈活性，可以快速響應需求的變化，但是，仍然有機會(huì )做得更多。

人工智能將放大物流自動(dòng)化的影響力

將人工智能引入物流自動(dòng)化將大大增強人工智能的影響力。人工智能可以減少常見(jiàn)的半技能任務(wù)（如對產(chǎn)品進(jìn)行分類(lèi)和分揀）中的錯誤。利用自主移動(dòng)機器人AMR可以提升包裹投遞的效率，包括最昂貴的最后一公里的投遞。人工智能幫助自主移動(dòng)機器人AMR進(jìn)行路線(xiàn)的規劃和特征的識別，比如人、障礙物、交付門(mén)戶(hù)和門(mén)口等。

將物流自動(dòng)化集成到任何環(huán)境中時(shí)，都會(huì )帶來(lái)一定的挑戰。它可以像動(dòng)力傳送帶代替重復過(guò)程一樣的簡(jiǎn)單，也可以像將具備協(xié)作能力的自主機器人引入工作場(chǎng)所一樣復雜。當人工智能被加入到自動(dòng)化和集成的過(guò)程中時(shí)，挑戰將變得更加復雜，但是受益也會(huì )隨之增加。

隨著(zhù)解決方案之間的互聯(lián)互通，以及對流程之中其他階段的了解更加深入，各個(gè)自動(dòng)化元素的效率也會(huì )隨之提高。將人工智能置于產(chǎn)生數據和采取行動(dòng)的設備附近，我們稱(chēng)之為邊緣人工智能。而邊緣人工智能的采用正重新定義物流自動(dòng)化。

邊緣人工智能的發(fā)展極其迅速，其用途不僅限于物流自動(dòng)化。將人工智能置于網(wǎng)絡(luò )邊緣的好處必須與資源的可用性保持一定的平衡，例如電力、環(huán)境操作條件、物流位置以及可用空間。

在邊緣處實(shí)施推理

邊緣計算讓計算和數據更加緊密地結合在一起。在傳統的物聯(lián)網(wǎng)應用中，大多數的數據通過(guò)網(wǎng)絡(luò )被發(fā)送到（云）服務(wù)器，并在那里進(jìn)行數據的處理，再把結果返回到網(wǎng)絡(luò )的邊緣（如邊緣處的物理設備）。只有云計算才引入了對延遲的考慮，而這樣的方式對于時(shí)間敏感型的系統來(lái)說(shuō)是不可接受的。這里舉個(gè)邊緣計算發(fā)揮作用的例子，在分揀過(guò)程中，從本地捕獲和處理包裹的圖像數據，可以讓物流自動(dòng)化系統在短短的0.2秒內就可以做出響應。而系統這部分的網(wǎng)絡(luò )延遲則會(huì )讓分揀過(guò)程變得更慢，不過(guò)，邊緣計算則可以消除這個(gè)潛在的瓶頸。

雖然邊緣計算讓計算更接近數據，但將人工智能引入到邊緣側，可以讓過(guò)程變得更加靈活，而且不容易出錯。同樣地，最后一公里的物流很大程度上依賴(lài)人工，但使用邊緣人工智能的自主移動(dòng)機器人AMR卻可以改善這一現狀。

引入人工智能對物流自動(dòng)化中使用的硬件和軟件來(lái)說(shuō)，將產(chǎn)生重大的影響，并且存在越來(lái)越多的潛在解決方案。通常，用于訓練人工智能模型的解決方案不適合在網(wǎng)絡(luò )邊緣側部署模型。用于訓練的處理資源是為服務(wù)器而設計的，其對能耗和內存等資源的需求幾乎是不限制的。而在邊緣，能耗和內存則是有限制的。

異構的趨勢

在硬件方面，大型的多核處理器不太適合邊緣人工智能應用。相反地，開(kāi)發(fā)人員正在專(zhuān)項針對邊緣人工智能部署優(yōu)化的異構硬件解決方案。這種方案包括了CPU和GPU，當然，還可以擴展到ASIC、MCU和FPGA。某些架構（例如GPU）擅長(cháng)并行處理，而其他架構（例如CPU）則更擅長(cháng)順序處理。今天，沒(méi)有一種單一的架構可以真正做到為人工智能應用提供最佳的解決方案?？傮w的趨勢是使用能夠提供最佳解決方案的硬件來(lái)配置整個(gè)系統，而不是使用同一架構的多個(gè)實(shí)例。

這種趨勢指向了異構，其中有許多不同架構的硬件處理解決方案，通過(guò)配置進(jìn)行協(xié)同工作，而不是使用多個(gè)設備（所有設備都基于相同的處理器）的同一架構。能夠為任何給定的任務(wù)引入正確的解決方案，或者在特定設備上整合多個(gè)任務(wù)，這樣可以提供更大的可擴展性能，以及優(yōu)化的每瓦和/或每美元性能。

從同構系統轉向異構處理需要一個(gè)龐大的解決方案生態(tài)系統，以及具備在硬件和軟件級別上配置這些解決方案的成熟的能力。這就是為什么要與一家有能力與所有芯片供應商建立合作伙伴關(guān)系的供應商合作的原因，因為這個(gè)供應商能夠為邊緣計算提供解決方案，并與客戶(hù)一起合作開(kāi)發(fā)具備擴展能力和靈活能力的系統。

此外，這些解決方案使用Linux等通用開(kāi)源技術(shù)，以及機器人操作系統ROS2等專(zhuān)業(yè)技術(shù)。事實(shí)上，越來(lái)越多的開(kāi)源資源正在開(kāi)發(fā)之中，以支持物流和邊緣人工智能。從這個(gè)角度來(lái)看，沒(méi)有單一的“正確的”的軟件解決方案，運行軟件的硬件平臺也是如此。

利用模塊化的方法構建邊緣計算

為了提高靈活性并減少被供應商綁定，凌華科技在硬件層面上開(kāi)發(fā)了一種模塊化的方法，這樣可以讓任何解決方案中的硬件配置變得更加靈活。實(shí)際上，硬件級別的模塊化可以讓工程師更改系統硬件的任何部分，例如處理器，而且不會(huì )造成系統范圍的中斷。

在部署邊緣人工智能等新技術(shù)時(shí)，“升級”底層平臺（無(wú)論是軟件，處理器等）的能力尤為重要。每一代新的處理器和模塊技術(shù)通常為網(wǎng)絡(luò )邊緣的推理引擎提供了更好的功率/性能的平衡，因此能夠快速利用這些性能和功率增益，把整個(gè)物流自動(dòng)化系統的中斷降到最低的程度，并且邊緣人工智能系統設計也是一個(gè)明顯的優(yōu)勢。

通過(guò)使用微服務(wù)架構和Docker容器技術(shù)，將硬件中的模塊化擴展到軟件中。如果有更優(yōu)化的處理器解決方案可用，即使它來(lái)自不同的制造商，軟件利用處理器也是模塊化的，可以替代之前的處理器，而無(wú)需更改系統的其余部分。軟件容器還提供了一種簡(jiǎn)單而強大的方式，可以添加新的功能以運行在邊緣人工智能中。

容器（Container）內的軟件也可以是模塊化的。凌華科技用于人工智能視覺(jué)產(chǎn)品的Edge Vision Analytics（EVA）SDK（軟件開(kāi)發(fā)套件）就是一個(gè)典型的例子。該平臺基于Gstreamer，專(zhuān)注于構建人工智能視覺(jué)管道所需要的基本功能。人工智能視覺(jué)管道的每個(gè)階段都使用現成的開(kāi)源插件（自身包含模塊）來(lái)簡(jiǎn)化管道的開(kāi)發(fā)。這些插件包括圖像捕獲和處理、人工智能推理、后處理和分析。

硬件和軟件的模塊化和容器的方法，最大程度減少了被供應商綁定的危險，這就意味著(zhù)解決方案不依賴(lài)于任何特定的平臺。它還增加了平臺和應用之間的抽象，使得最終用戶(hù)更容易開(kāi)發(fā)自己的，不依賴(lài)于任何平臺的應用程序。

我們通過(guò)一個(gè)數據庫來(lái)簡(jiǎn)化升級的過(guò)程，該數據庫在組件可以用時(shí)對其進(jìn)行表征。使用該數據庫，工程師可以選擇適合的產(chǎn)品，以實(shí)現推理性能和系統資源之間的完美平衡。

物流自動(dòng)化最重要的要求之一就是要實(shí)時(shí)響應。因此，與一個(gè)在軟硬件組合開(kāi)發(fā)系統方面有著(zhù)豐富經(jīng)驗，并且能滿(mǎn)足應用需求的供應商合作是非常重要的。凌華科技的方法就是使用可以與專(zhuān)業(yè)的第三方技術(shù)（如LiDAR傳感器）集成的模塊。

結論

在物流自動(dòng)化中部署邊緣人工智能不需要更換整個(gè)系統。首先需要評估工作空間并確定可以真正從人工智能中獲益的階段。主要的目標是降低運營(yíng)支出的同時(shí)提高效率，尤其是在勞動(dòng)力短缺的時(shí)期可以應對需求的增加。

越來(lái)越多的科技公司致力于開(kāi)發(fā)人工智能解決方案，但是大多數公司通常只針對云計算，而不是邊緣計算。在邊緣側，其運行條件是不同的，資源可能有限，甚至可能需要專(zhuān)網(wǎng)。

通過(guò)使用人工智能等技術(shù)，自動(dòng)化在物流運營(yíng)中將持續增長(cháng)并得以擴展。這些系統解決方案需要特別設計，用以滿(mǎn)足惡劣的運行環(huán)境，這與云或者數據中心的需求截然不同。我們使用模塊化的方法解決這個(gè)問(wèn)題，這個(gè)方法提供了極具競爭力的解決方案、更短的開(kāi)發(fā)周期和靈活的平臺。