一件包裹的AI之旅

一件包裹的AI之旅

招人难、成本贵、效率低的物流行业背后,智能化正在如火如荼地推进。据统计全球有约1.4亿物流从业人员,即使机器人能够替代10%,这一市场就极具想象空间。

撰文 | 寓扬

不知不觉间,你的快递已充满了AI的「味道」。

当你在网上拍下一件心爱的商品后,商家的「机器人大脑」实时接收订单并响应,快速定位你购买的商品,识别出它在A区第一个货架第三个格子中,然后拣选机器人出动,将货架运输到分拣员身边,并告诉他商品的位置。包装完毕后,再由机器人将商品运输到不同的物流区,等候物流接力,发往各个城市和地区。

在物流车的长途运输中,AI也可以扮演辅助驾驶员的角色,提供最优道路规划、疲劳预警等,让物流车最快的到达你身边的社区。

尽管技术还不成熟、法规尚不明确,一些公司也迈出了末端配送(最后一公里)的智能化探索,由「派货员」自动驾驶小车穿越小区,将商品送到用户手中。这些已经是真实发生的事情。

之所以物流各个环节的智能化都在如火如荼地推进,一个很重要的因素是行业招人难、成本贵。

以我国为例,过去几年物流行业的人工成本增长数倍,并且年轻劳动力也不愿从事简单、重复的物流工作,成本高、效率低、招人难在北上广深等一线城市更为明显。

当下用机器人替代人力,提高效率降低成本,已成为行业迫切的需求。而另一面,据统计全球有约1.4亿物流从业人员,即使机器人能够替代10%的人力,1400万台的规模,也让这一市场极具想象空间。

智慧物流正在快速发展,并逐渐从后台走向前台,这一点在今年的世界机器人大会上非常明显。2018年物流机器人只是「机器人应用展区」下的一个子项目,而今年,「智慧物流」已经成为一个专门的展区。

在智慧物流这片「花园」中,前端的拣选、分拣场景如同一株含苞待放的花,蓄势待发;末端的「最后一公里配送」如同刚刚长出细茎的花,至于中间的公共道路的无人驾驶则是刚刚发芽的幼苗,都还有很长的路要走。

1 订单快速响应的「幕后英雄」

还记得5年前双十一网购一件商品多久才能到达吗?我印象中大概是一周。之所以物流如此慢,一个核心的因素是商品从仓库中分拣不出来。而现在快递之所以能够一日达或半日达,机器人功不可没,堪称「幕后英雄」。

一件包裹的AI之旅


传统的物流是个劳动力密集型行业,往往一个一两百平米的仓库,就要一二十人运营。当拣货工接到订单以后,在仓库的各个角落穿梭,像「寻宝」一样寻找订单上的商品,只是拣货这一个环节就耗费较多的时间。因此一旦赶上电商大促,就算是紧急招工,面对庞大的订单,商家往往要很长时间才能发货。

低效、招工难、成本高正成为物流行业的痛点。随着机器人技术(SLAM、多传感器融合)的相对成熟,物流机器人应运而出。在今年世界机器人大会中,极智嘉(Geek+)就是颇具代表性的一家。

极智嘉执行总裁郝旭东介绍,现在通过物流机器人分拣,一个一两百平米的仓库仅需要十几台机器人和1~2个管理人员,能够将仓库的运营成本降低70%,效率提升3~10倍。

一件包裹的AI之旅


以会员电商云集的应用为例,作为一家电商公司,云集经常需要做促销活动,往往面临招人难、成本贵的问题。有时货物很难及时分拣,经常需要较长时间才能送达消费者,导致用户体验不足,促销效果也会降低。

后来云集引入了极智嘉的智慧仓库方案,物流机器人基本一个月就能「上岗」。相比传统物流的「人找货」,极智嘉打造了「货到人」的模式。当系统接到消费者的订单后,机器人大脑自动响应,根据订单组成智能分配机器人,由机器人把相应货架搬到拣货工作站,员工只需要按照系统提示把商品取出,包装后交由快递公司,就能快速送到用户手中。

电商行业经常举办促销活动,比如双十一期间订单量极大,波峰往往是日常订单的百倍。极智嘉通过租赁的形式,在波峰阶段提供机器人服务,电商公司波峰后归还,以弹性服务的形式缓解临时招工难的问题。

这背后除了单个机器的自动驾驶技术外,更考验的是大规模集群调度的能力。比如极智嘉在一个客户仓库中运行了数百台机器人,每个机器人执行不同的任务,都跑在仓库的「高速公路」上,如何在执行自身任务时,进行有效避障,并于其他机器人协同工作,实现整体效率的最优,都是对机器人「大脑」的考验。

据郝旭东介绍,极智嘉在全球已经有200多家客户,其中100多家来自国外,最大客户的仓库已运行着数百台机器人产品。

2 末端配送机器人的「摸着石头过河」

相比于前端的分拣工作,机器人在末端的配送还处于早期尝试阶段。在世界机器人大会上,美团、京东、行深智能等均展示了自动驾驶物流车方面的探索。

目前美团已有4亿用户,仅美团外卖日订单就达3000万,通过4辆自动驾驶快递车,美团较为系统展示了它对于末端配送的思考。

一件包裹的AI之旅


围绕末端配送场景,美团打造了3个典型场景的物流解决方案。其中,针对末端3公里的配送,美团推出大型的自动驾驶物流车,据称可以在公开道路上进行L4级,美团也在积极申请自动驾驶的道路测试资质,来解决路权问题。

针对狭窄的道路场景,美团打造了一款mini版的物流车。另外,针对写字楼等场景,美团也展示了一台可以搭乘电梯的送餐机器人。

就产品背后的运作逻辑,一位美团员工告诉机器之心,当用户下单后,先由快递小哥将外卖送到附近的无人车上,无人车内带有恒温保鲜功能,然后穿越小区送到消费者楼下,再给消费者发送信息,下楼领取外卖。

他还透露,电梯送餐机器人已经在部分地区投入使用,而自动驾驶快递车最近刚刚打造出来。可以看出,它仍处在Demo阶段。

另外也有创业公司展示了自动驾驶物流车在末端配送中的探索,并落地校园、园区等场景,但均处于Demo阶段。一位业内人士称,并不看好创业公司在末端配送中的尝试。

他称,一辆自动驾驶物流车往往要数十万的价格,如果只是把外卖送到楼下,让用户跑下来取,并不能做到服务的优化。此外,公开道路的自动驾驶,比如校园场景,面对的环境也是多元复杂的,并且存在路权、法律法规问题。

另一方面,互联网巨头都在试水末端物流业务,并且有场景、用户、订单等优势,创业公司往往要么被大公司吃掉,要么为大公司打工。

可见,在末端物流的智能化上,不但有自动驾驶技术上的问题有待攻克,法律法规也有待进一步明确,这一场景的智能化仍需更多时日探索。

3 从made in China, 到 copy from China

这一次,在物流智慧化的实践中,中国又走在了世界前列。

极智嘉执行总裁郝旭东称,智慧物流取得商业成功有三个前提,第一是机器人的效率足够高,能够为企业降低成本;第二是企业的投资回报率要高,这要求机器人要有更好的效果,也要有更具竞争力的价格;第三是产品要安全、可靠、稳定,假如因为产品的不稳定导致仓库失火,带来的结果将是灾难性的。

物流机器人起源于电商场景,而我国拥有全球最大的电商市场,并且是最为复杂的电商环境,能够承受618、双十一等大促下的「沙场练兵」,往往就能够在产品性能上做到世界领先。另外,机器人是一款软硬件结合的产品,我国的供应链优势又能够提供更优的成本。

他称,配置了极智嘉机器人的智能仓,在2018年双十一期间成功处理订单达500万件;在2019年618期间,做到2000万订单无差错。

而相比中国,日本、欧洲等海外国家的人工成本更贵,招工难的现象更严重。郝旭东称,运动品牌迪卡侬测试了公司的机器人后,发现可以节省75%的人工成本,并且将商品的分拣效率提升3倍以上。随后,迪卡侬也将中国的智能仓模式复制到全球各地的仓库中。

我国如此庞大的电商市场,就好比一个「超级战场」,在超级战场中总结的经验,往往能够复制到更小的战场。

然而即使如此,物流行业的智慧化,仍面临很大的挑战。

一方面是成本,据机器之心了解,一个分拣机器人往往要20万左右,至于工厂中使用的机械臂动则要百万以上,即使是仓库中,完全自动化的成本仍然十分高昂。

另一方面是算法,智慧仓库考验的是大规模集群调度算法,假如将仓库机器人的数量增加到上千台,往往会带来算法以及系统级的挑战。

此外,企业客户对于产品、系统的可靠性、安全性、稳定性等有非常高的要求,往往一些大型企业要求准确率要达到「6个9」,即99.9999%,100万订单仅容忍一次差错。而这些都对智慧物流行业的技术和产品化提出了更高的要求。

产业大数据技术计算机视觉智慧物流
相关数据
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

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。

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。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

推荐文章
暂无评论
暂无评论~