自動化使用技術(shù)來增強(qiáng)人類在無數(shù)任務(wù)中的工作量。在物流中，自動化的潛力是巨大的，而且好處是顯著的，尤其是當(dāng)運(yùn)營經(jīng)歷巨大變化或需求增加時(shí)。擴(kuò)大運(yùn)營規(guī)模通常需要額外的員工，而這些員工通常無法立即投入使用，尤其是在其他行業(yè)也有需求的時(shí)候。對市場波動做出快速反應(yīng)需要整個運(yùn)營過程中的快速行動和額外的能力。

隨著需求的變化，物流自動化可以使產(chǎn)能快速增長。如果有策略地使用，物流自動化可以提高生產(chǎn)率，減少人為錯誤，提高工作效率。在適當(dāng)?shù)奈锪髯詣踊浖⒂布推脚_資源到位的情況下，在低需求時(shí)期對運(yùn)營支出的影響是最小的，遠(yuǎn)遠(yuǎn)低于維持大量的人力資源。隨著需求的增加，產(chǎn)能已經(jīng)到位，隨時(shí)可以啟動。雖然這給了物流公司對需求變化做出快速反應(yīng)所需的靈活性，但也有機(jī)會做得更多。

人工智能放大物流自動化影響

將人工智能 (AI) 引入物流自動化會放大人工智能的影響。 AI 減少了常見的半技能任務(wù)（例如對產(chǎn)品進(jìn)行分類和分類）中的錯誤。例如，自主移動機(jī)器人 (AMR) 可以改善包裹遞送，包括通常最昂貴的最后一公里遞送。 AI 幫助 AMR 進(jìn)行路線規(guī)劃和特征識別，例如人員、障礙物、交付門戶和門口。

將物流自動化集成到任何環(huán)境中都會帶來挑戰(zhàn)。它可以像用動力傳送帶替換重復(fù)過程一樣簡單，也可以像將協(xié)作、自主機(jī)器人引入工作場所一樣復(fù)雜。當(dāng)人工智能被添加到這個自動化和集成過程中時(shí)，挑戰(zhàn)變得更加復(fù)雜，但好處也會增加。

隨著解決方案變得更加互聯(lián)并且更加了解流程中的所有其他階段，各個自動化元素的效率也會提高。將 AI 靠近生成數(shù)據(jù)和采取行動的位置，稱為邊緣 AI。邊緣人工智能的采用已經(jīng)重新定義了物流自動化。

Edge AI 發(fā)展迅速，其用途不僅限于物流自動化。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相平衡，例如電力、環(huán)境操作條件、物理位置和可用空間。

邊緣推理

邊緣計(jì)算使計(jì)算和數(shù)據(jù)更緊密地結(jié)合在一起。在傳統(tǒng)的物聯(lián)網(wǎng)應(yīng)用中，大多數(shù)數(shù)據(jù)通過網(wǎng)絡(luò)發(fā)送到(云)服務(wù)器，在那里處理數(shù)據(jù)，并將結(jié)果發(fā)送回網(wǎng)絡(luò)邊緣，例如物理設(shè)備。僅云計(jì)算會帶來延遲，這在時(shí)間關(guān)鍵的系統(tǒng)中是不可接受的。邊緣計(jì)算發(fā)揮作用的一個例子是，在分揀過程中捕獲和處理本地包裹的圖像數(shù)據(jù)，使物流自動化系統(tǒng)在0.2秒內(nèi)做出響應(yīng)。系統(tǒng)這一部分的網(wǎng)絡(luò)延遲會減慢排序過程，但邊緣計(jì)算正在消除這個潛在的瓶頸。

雖然邊緣計(jì)算使計(jì)算更接近數(shù)據(jù)，但將人工智能添加到邊緣可以使過程更加靈活，甚至更不容易出錯。同樣，最后一公里的物流在很大程度上依賴于人類，但使用邊緣 AI 的 AMR 也改善了這一點(diǎn)。

增加人工智能對物流自動化中使用的硬件和軟件有重大影響，而且有越來越多的潛在解決方案。通常，用于訓(xùn)練人工智能模型的解決方案并不適合在網(wǎng)絡(luò)邊緣部署模型。用于訓(xùn)練的處理資源是為服務(wù)器設(shè)計(jì)的，其中電源和內(nèi)存等資源幾乎是無限的。在邊緣，算力與存儲都是有限的。

異構(gòu)架構(gòu)的趨勢

在硬件方面，大型多核處理器不太適合邊緣 AI 應(yīng)用。相反，開發(fā)人員正在轉(zhuǎn)向針對邊緣 AI 部署優(yōu)化的異構(gòu)硬件解決方案。這當(dāng)然包括 CPU 和 GPU，但它擴(kuò)展到專用集成電路 (ASIC)、微控制器 (MCU) 和 FPGA。某些架構(gòu)（例如 GPU）擅長并行處理，而其他架構(gòu)（例如 CPU）則更擅長順序處理。今天，沒有一種架構(gòu)可以真正聲稱為 AI 應(yīng)用提供最佳解決方案?？傮w趨勢是使用提供最佳解決方案的硬件來配置系統(tǒng)，而不是使用同一架構(gòu)的多個實(shí)例。

這種趨勢指向異構(gòu)架構(gòu)，其中有許多不同的硬件處理解決方案配置為協(xié)同工作，而不是使用多個設(shè)備的同構(gòu)架構(gòu)，所有設(shè)備都基于相同的處理器。能夠?yàn)槿魏谓o定任務(wù)引入正確的解決方案，或在特定設(shè)備上整合多個任務(wù)，提供了更大的可擴(kuò)展性和優(yōu)化每瓦特和/或每美元性能的機(jī)會。

從同構(gòu)系統(tǒng)架構(gòu)轉(zhuǎn)向異構(gòu)處理需要一個龐大的解決方案生態(tài)系統(tǒng)，以及在硬件和軟件級別配置這些解決方案的成熟能力。這就是為什么與所有主要芯片應(yīng)商有重要一級合作關(guān)系的供應(yīng)商合作是很重要的，這些供應(yīng)商為邊緣計(jì)算提供解決方案，并與他們合作開發(fā)可伸縮和靈活的系統(tǒng)。

此外，這些解決方案使用 Linux 等通用開源技術(shù)，以及機(jī)器人操作系統(tǒng) ROS 2 等專業(yè)技術(shù)。 事實(shí)上，越來越多的開源資源正在開發(fā)中以支持物流和邊緣人工智能。從這個角度來看，沒有單一的“正確”軟件解決方案，運(yùn)行軟件的硬件平臺也是如此。

自動化邊緣計(jì)算的模塊化方法

為了提高靈活性并減少供應(yīng)商鎖定，一種方法是在硬件級別使用模塊化，使任何解決方案中的硬件配置更加靈活。實(shí)際上，硬件級別的模塊化允許工程師更改系統(tǒng)硬件的任何部分，例如處理器，而不會造成系統(tǒng)范圍的中斷。

在部署邊緣 AI 等新技術(shù)時(shí)，“升級”底層平臺（無論是軟件、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)通常都會為在網(wǎng)絡(luò)邊緣運(yùn)行的推理引擎提供更好的功率/性能平衡，因此能夠快速利用這些性能和功率增益，并將對整個物流自動化系統(tǒng)的中斷降到最低，并且邊緣 AI 硬件系統(tǒng)設(shè)計(jì)是一個明顯的優(yōu)勢。

通過使用Docker等微服務(wù)架構(gòu)和容器技術(shù)，將硬件中的模塊化擴(kuò)展到軟件中。如果有更優(yōu)化的處理器解決方案可用，即使它來自不同的制造商，利用該處理器的軟件也是模塊化的，可以代替先前處理器的模塊使用，而無需更改系統(tǒng)的其余部分。軟件容器還提供了一種簡單而強(qiáng)大的方式來添加新功能，例如，適用于在邊緣運(yùn)行 AI。

容器內(nèi)的軟件也可以模塊化。

硬件和軟件的模塊化和容器方法最大限度地減少了供應(yīng)商鎖定，這意味著解決方案不依賴于任何特定平臺。它還增加了平臺和應(yīng)用程序之間的抽象，使最終用戶更容易開發(fā)自己的不依賴于平臺的應(yīng)用程序。

結(jié)論

在物流自動化中部署邊緣 AI 不需要更換整個系統(tǒng)。首先評估工作空間并確定可以真正從 AI 驅(qū)動的自動化中受益的階段。主要目標(biāo)是在降低運(yùn)營支出的同時(shí)提高效率，特別是在勞動力短缺時(shí)期應(yīng)對需求增加。

越來越多的科技公司致力于 AI 解決方案，但這些公司通常針對的是云，而不是邊緣計(jì)算。在邊緣，條件非常不同，資源可能有限，甚至可能需要專用的專用通信網(wǎng)絡(luò)。

通過使用人工智能等技術(shù)，自動化將在物流運(yùn)營中繼續(xù)增長和擴(kuò)展。這些系統(tǒng)解決方案需要設(shè)計(jì)用于惡劣的環(huán)境，與云或數(shù)據(jù)中心截然不同。我們使用模塊化方法解決這個問題，該方法提供極具競爭力的解決方案、較短的開發(fā)周期和靈活的平臺。