将人工智能引入物流自动化将大大增强人工智能的影响力。人工智能可以减少常见的半技能任务（如对产品进行分类和分拣）中的错误。利用自主移动机器人AMR可以提升包裹投递的效率，包括最昂贵的最后一公里的投递。人工智能帮助自主移动机器人AMR进行路线的规划和特征的识别，比如人、障碍物、交付门户和门口等。
自动化利用技术的手段，让人类可以完成更多的任务。在物流领域，自动化的潜力巨大且其带来的好处也是显而易见的，尤其是当运营方式出现巨大变化或者需求不断增加的情况下。扩大运营规模通常需要增加额外的员工，而这些员工通常没办法立刻上岗，尤其是其他行业也有类似需求的时候。如何在市场波动的情况下做出快速的反应，需要在整个运营的过程中具有快速的行动力以及其他额外的能力。
物流自动化可以根据需求的变化快速实现增容。将物流自动化提升到战略性的地位之后，不仅可以提高生产力，而且还可以减少人为错误，进而提高工作效率。有了合适的物流自动化软件、硬件和平台资源，即使在需求较低的时期，对运营成本的影响也比较小，远远低于要维持大量人力所需要的成本。随着需求的增加，运营的能力已经准备就绪并且能够快速启动。虽然这些方式能够为物流公司带来所需的灵活性，可以快速响应需求的变化，但是，仍然有机会做得更多。
人工智能将放大物流自动化的影响力
将人工智能引入物流自动化将大大增强人工智能的影响力。人工智能可以减少常见的半技能任务（如对产品进行分类和分拣）中的错误。利用自主移动机器人AMR可以提升包裹投递的效率，包括最昂贵的最后一公里的投递。人工智能帮助自主移动机器人AMR进行路线的规划和特征的识别，比如人、障碍物、交付门户和门口等。
将物流自动化集成到任何环境中时，都会带来一定的挑战。它可以像动力传送带代替重复过程一样的简单，也可以像将具备协作能力的自主机器人引入工作场所一样复杂。当人工智能被加入到自动化和集成的过程中时，挑战将变得更加复杂，但是受益也会随之增加。
随着解决方案之间的互联互通，以及对流程之中其他阶段的了解更加深入，各个自动化元素的效率也会随之提高。将人工智能置于产生数据和采取行动的设备附近，我们称之为边缘人工智能。而边缘人工智能的采用正重新定义物流自动化。
边缘人工智能的发展极其迅速，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保持一定的平衡，例如电力、环境操作条件、物流位置以及可用空间。
在边缘处实施推理
边缘计算让计算和数据更加紧密地结合在一起。在传统的物联网应用中，大多数的数据通过网络被发送到（云）服务器，并在那里进行数据的处理，再把结果返回到网络的边缘（如边缘处的物理设备）。只有云计算才引入了对延迟的考虑，而这样的方式对于时间敏感型的系统来说是不可接受的。这里举个边缘计算发挥作用的例子，在分拣过程中，从本地捕获和处理包裹的图像数据，可以让物流自动化系统在短短的0.2秒内就可以做出响应。而系统这部分的网络延迟则会让分拣过程变得更慢，不过，边缘计算则可以消除这个潜在的瓶颈。
虽然边缘计算让计算更接近数据，但将人工智能引入到边缘侧，可以让过程变得更加灵活，而且不容易出错。同样地，最后一公里的物流很大程度上依赖人工，但使用边缘人工智能的自主移动机器人AMR却可以改善这一现状。
引入人工智能对物流自动化中使用的硬件和软件来说，将产生重大的影响，并且存在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不适合在网络边缘侧部署模型。用于训练的处理资源是为服务器而设计的，其对能耗和内存等资源的需求几乎是不限制的。而在边缘，能耗和内存则是有限制的。
异构的趋势
在硬件方面，大型的多核处理器不太适合边缘人工智能应用。相反地，开发人员正在专项针对边缘人工智能部署优化的异构硬件解决方案。这种方案包括了CPU和GPU，当然，还可以扩展到ASIC、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，没有一种单一的架构可以真正做到为人工智能应用提供最佳的解决方案。总体的趋势是使用能够提供最佳解决方案的硬件来配置整个系统，而不是使用同一架构的多个实例。
这种趋势指向了异构，其中有许多不同架构的硬件处理解决方案，通过配置进行协同工作，而不是使用多个设备（所有设备都基于相同的处理器）的同一架构。能够为任何给定的任务引入正确的解决方案，或者在特定设备上整合多个任务，这样可以提供更大的可扩展性能，以及优化的每瓦和/或每美元性能。
从同构系统转向异构处理需要一个庞大的解决方案生态系统，以及具备在硬件和软件级别上配置这些解决方案的成熟的能力。这就是为什么要与一家有能力与所有芯片供应商建立合作伙伴关系的供应商合作的原因，因为这个供应商能够为边缘计算提供解决方案，并与客户一起合作开发具备扩展能力和灵活能力的系统。
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ROS2等专业技术。事实上，越来越多的开源资源正在开发之中，以支持物流和边缘人工智能。从这个角度来看，没有单一的“正确的”的软件解决方案，运行软件的硬件平台也是如此。
利用模块化的方法构建边缘计算
为了提高灵活性并减少被供应商绑定，凌华科技在硬件层面上开发了一种模块化的方法，这样可以让任何解决方案中的硬件配置变得更加灵活。实际上，硬件级别的模块化可以让工程师更改系统硬件的任何部分，例如处理器，而且不会造成系统范围的中断。
在部署边缘人工智能等新技术时，“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为网络边缘的推理引擎提供了更好的功率/性能的平衡，因此能够快速利用这些性能和功率增益，把整个物流自动化系统的中断降到最低的程度，并且边缘人工智能系统设计也是一个明显的优势。
通过使用微服务架构和Docker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，软件利用处理器也是模块化的，可以替代之前的处理器，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，可以添加新的功能以运行在边缘人工智能中。
容器（Container）内的软件也可以是模块化的。凌华科技用于人工智能视觉产品的Edge Vision Analytics（EVA）SDK（软件开发套件）就是一个典型的例子。该平台基于Gstreamer，专注于构建人工智能视觉管道所需要的基本功能。人工智能视觉管道的每个阶段都使用现成的开源插件（自身包含模块）来简化管道的开发。这些插件包括图像捕获和处理、人工智能推理、后处理和分析。
硬件和软件的模块化和容器的方法，最大程度减少了被供应商绑定的危险，这就意味着解决方案不依赖于任何特定的平台。它还增加了平台和应用之间的抽象，使得最终用户更容易开发自己的，不依赖于任何平台的应用程序。
我们通过一个数据库来简化升级的过程，该数据库在组件可以用时对其进行表征。使用该数据库，工程师可以选择适合的产品，以实现推理性能和系统资源之间的完美平衡。
物流自动化最重要的要求之一就是要实时响应。因此，与一个在软硬件组合开发系统方面有着丰富经验，并且能满足应用需求的供应商合作是非常重要的。凌华科技的方法就是使用可以与专业的第三方技术（如LiDAR传感器）集成的模块。
结论
在物流自动化中部署边缘人工智能不需要更换整个系统。首先需要评估工作空间并确定可以真正从人工智能中获益的阶段。主要的目标是降低运营支出的同时提高效率，尤其是在劳动力短缺的时期可以应对需求的增加。
越来越多的科技公司致力于开发人工智能解决方案，但是大多数公司通常只针对云计算，而不是边缘计算。在边缘侧，其运行条件是不同的，资源可能有限，甚至可能需要专网。
通过使用人工智能等技术，自动化在物流运营中将持续增长并得以扩展。这些系统解决方案需要特别设计，用以满足恶劣的运行环境，这与云或者数据中心的需求截然不同。我们使用模块化的方法解决这个问题，这个方法提供了极具竞争力的解决方案、更短的开发周期和灵活的平台。
责编：Luffy Liu
您可能感兴趣
