探究双十一背后的智慧物流,灵动科技展现智慧仓储解决方案

据商务部新闻发言人高峰在11月15日发布会上表示,2018年双11期间全国网络零售交易总额超过3000亿元,同比增长约27%,再创历史新高。辉煌的电商成绩背后,其开挂般的仓储物流也开始走进人们视野。据机器之心了解,来自灵动科技基于视觉导航物流车的BX-350,就在双十一期间亮相京东的物流库房。

据介绍,库房中随处可见的全国首款基于视觉导航的物流车BX-350跟随分拣员走动并接受任务,在完成任务后又自动返回原位,让原本繁重琐碎的分拣工作,效率提高了一倍不止。

灵动科技和京东并非首次合作,灵动科技的这款智能物流机器人早在今年6月的京东物流大会就已展出,并在京东“618”购物节的物流拣货中正式投入使用。

AMR——解决物流行业“三边工程”的妙药良方

过去5年内,双十一年均收入增幅均在30%以上。电商行业的高速发展,给品牌企业和物流企业提出了更具挑战性的要求:如何才能做好电商和物流行业边规划、边建设,边增长的“三边工程”?如何在快速动态发展的环境中,既能应对未来3~5年的业务增长,也能适应人力成本的快速增长呢?灵动科技给出的答案是:人工智能的运用——机器人柔性物流。

机器人柔性物流,是要引入智能机器人来平衡人力资本的增长问题,再通过机器人的快速部署,实现可弹性扩充的高效物流。

灵动科技看来,有计算机视觉人工智能认知能力的,可自主移动工作的机器人,将会成为仓储行业劳动力的中坚力量。眼下,灵动科技正在用自动驾驶技术构建物流行业的AMR——Automatic Mobile Robotics。这种依托于计算机视觉的智能机器人,不仅可以实现全面自主移动,而且可以让预部署时间缩短到1天以内,几乎无需任何铺设和环境改造。

灵动科技AMR的主要传感器是三颗普通的RGB摄像头,不需要依赖地面二维码,磁条等预设装置。AMR能基于计算机视觉技术实现定位与环境理解,并根据下达的任务指令,实现全自主导航,还能在规划高效行进路径的同时实现自主避障,大大优化了仓储效率。换言之, 灵动科技的AMR可以作为仓储协作中 “无所不在的传送带”,并可以弹性部署,让物流企业从容应对行业的用工荒和周期性业务调整。

视觉导航AMR ,基于深度学习计算机视觉,让物流机器人睁开“双眼”

市场上主流的AMR,普遍还是在用10年前的单线激光雷达的技术。而灵动科技的视觉感知的AMR,拥有着行业最先进的科技内核:它可以基于深度学习,来理解附近40米的环境内容,对视觉信息进行语义分割、距离估算、物体分类、行人识别、运动预测、姿态识别和VLSAM的边缘计算等,从而实现了对环境的综合感知与认识,并根据任务自行完成规划和移动。

此外,在机器人的快速移动和避障过程中,灵动科技研发的“强化学习”技术,已经实现了用于车辆 “端到端”学习的基于神经网络的导航和避障技术,其实际运行效率,已经超过了“基于规则”的古典自动驾驶技术的效率。

传统的电商仓储是当下最主要的应用场景。在该类型仓库中,人是搬运拣货的主体。在拣货这个环节,人力的80%以上的时间被消耗在往返持车运输上。在物流的高峰时段,一位拣货员微信计步器的记录能达到3万多步以上,累计步行数十公里。但在应用了视觉导航AMR的人工智能仓储解决方案中,视觉导航AMR的自主移动,可替换拣货员完成50%以上的行走距离。这使得拣货员在单位时间内,实现了2倍以上的拣货量;换句话说,应用了视觉导航AMR的“人机协作”,可以让一个拣货员实现2倍以上的工作效率;并且部署成本极低。这几乎是行业里最能立竿见影,减员增效的解决方案了。

值得一提的是,高密度的科学技术应用,使得视觉导航AMR的运动灵活,部署迅速,投资成本回收周期可以缩至1.5年以内,这使得视觉导航AMR的大规模商业化成为了可能。

灵动科技的视觉导航AMR——BX-350

据介绍,作为全国首款基于视觉感知的仓储协作机器人,灵动科技的BX-350不仅使用了基于深度学习计算机视觉技术,通过以视觉传感器为主、多传感器融合的VSLAM进行即时定位与建图。在此基础上,BX-350还应用了强化学习技术,通过海量数据的学习对复杂和动态环境下的避障与导航进行强化学习训练,随着机器人的不断运行,数据的积累能够进一步丰富强化学习的训练集,使得机器人有更高效的人类般的行走和避障策略,从而实现在复杂环境中的不知疲倦的巅峰输出。

据了解,BX-350有7大核心功能

1、自主导航

通过VSLAM和多神经网络融合技术,实现自主导航(自动驾驶)到任意预设地点,如:具体库位,打包台、等待区等。

2、人机协同

利用综合的神经网络技术,进行对人的检测,语义分割,跟踪,识别,再识别,关键点检测,姿态理解,手势识别,人脸识别等,可以主动找到拣货员,判断拣货员的ID和手势、姿态,意图,与拣货员进行互动和协同,大大增加人机协同的效率。

3、自主避障

通过理解环境,使用增强学习和古典的基于规则的方法,实现高效率的复杂环境下的,人机混杂的移动和避障。

4、多机协同

通过云端的机器人调度系统的算法,对可能出现的机器人在空间和时间上的路线拥堵做监测和预判,并下达最优化的指令,从而实现最优的路径规划和交通执行。

5、环境适应能力

设备部署,不需要对仓库进行任何改造,就像新来的拣货工人熟悉工作场地一样,机器人在场地里行走过一次,既可建立三维地图,同步到同班组的机器人身上后,这个班组的机器人就可以对仓库的环境如数家珍。

6、系统仿真及提升预测

采用自主研发的仿真系统,进行机器人的模拟运行,评估机器人和人的最佳配比,以及协作规则,在机器人部署前便可预知作业效率,并得到最优化的数学建议。

7、基于大数据的业务提升建议

云端的服务器运用积累的机器人的实际运行数据,以及拣货单信息,可以计算出仓库的运营热力图,并给出在不同业务压力下的商品布局的数学最优解,从而成为仓库规划部门的最可信的人工智能伙伴,科学的、不断的为业务运营做优化。

目前,除了和京东等国内大型企业的合作以外,BX-350还为全球市值最大的某加州手机企业的实际运营中投入使用,并在更多的全球示范仓库逐步实施部署。

灵动科技简介灵动科技是一家中美两地注册的,国内领先的AI轮式机器人公司。 灵动科技聚集了一大批来自清华,中科院,北大,北航,美国普渡大学等国内外知名学府的研究人才,集结了众多深受业界尊敬的顶级计算机视觉科学家、组成了一只资深的自动化专家团队。他们一直致力于通过利用前沿的计算机视觉自动驾驶技术,使机器人拥有“大脑”,睁开 “眼睛”,从而实现“让AI机器人,在开放空间自由行走。”

产业物流机器人创业公司计算机视觉灵动科技
1
相关数据
灵动科技机构

公司成立于2016年4月,是一家中美两地注册的基于深度学习机器视觉的轮式机器人公司,公司在AI视觉感知的自动驾驶机器人领域处于技术领先的地位。

https://www.forwardx.com/index.html
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

调度技术

调度在计算机中是分配工作所需资源的方法。资源可以指虚拟的计算资源,如线程、进程或数据流;也可以指硬件资源,如处理器、网络连接或扩展卡。 进行调度工作的程序叫做调度器。调度器通常的实现使得所有计算资源都处于忙碌状态,允许多位用户有效地同时共享系统资源,或达到指定的服务质量。 see planning for more details

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

路径规划技术

路径规划是运动规划的主要研究内容之一。运动规划由路径规划和轨迹规划组成,连接起点位置和终点位置的序列点或曲线被称为路径,构成路径的策略则被称为路径规划。路径规划在很多领域都具有广泛的应用,如机器人的自主无碰行动;无人机的避障突防飞行等。

语义分割技术

语义分割,简单来说就是给定一张图片,对图片中的每一个像素点进行分类。图像语义分割是AI领域中一个重要的分支,是机器视觉技术中关于图像理解的重要一环。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~