隨著需求的變化，物流自動(dòng)化可以使產(chǎn)能快速增長(zhǎng)。如果有策略地使用，物流自動(dòng)化可以提高生產(chǎn)率，減少人為錯(cuò)誤，提高工作效率。在適當(dāng)?shù)奈锪髯詣?dòng)化軟件、硬件和平臺(tái)資源到位的情況下，在低需求時(shí)期對(duì)運(yùn)營(yíng)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(dòng)。雖然這給了物流公司對(duì)需求變化做出快速反應(yīng)所需的靈活性，但也有機(jī)會(huì)做得更多。

　　人工智能放大物流自動(dòng)化影響

　　將人工智能(AI)引入物流自動(dòng)化會(huì)放大人工智能的影響。AI減少了常見(jiàn)的半技能任務(wù)(例如對(duì)產(chǎn)品進(jìn)行分類和分類)中的錯(cuò)誤。例如，自主移動(dòng)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(shí)別，例如人員、障礙物、交付門戶和門口。

　　將物流自動(dòng)化集成到任何環(huán)境中都會(huì)帶來(lái)挑戰(zhàn)。它可以像用動(dòng)力傳送帶替換重復(fù)過(guò)程一樣簡(jiǎn)單，也可以像將協(xié)作、自主機(jī)器人引入工作場(chǎng)所一樣復(fù)雜。當(dāng)人工智能被添加到這個(gè)自動(dòng)化和集成過(guò)程中時(shí)，挑戰(zhàn)變得更加復(fù)雜，但好處也會(huì)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(gè)自動(dòng)化元素的效率也會(huì)提高。將AI靠近生成數(shù)據(jù)和采取行動(dòng)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(dòng)化。

　　AI發(fā)展迅速，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(guò)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(huì)帶來(lái)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(gè)例子是，在分揀過(guò)程中捕獲和處理本地包裹的圖像數(shù)據(jù)，使物流自動(dòng)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(huì)減慢排序過(guò)程，但邊緣計(jì)算正在消除這個(gè)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(guò)程更加靈活，甚至更不容易出錯(cuò)。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(duì)物流自動(dòng)化中使用的硬件和軟件有重大影響，而且有越來(lái)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(wú)限的。在邊緣，算力與存儲(chǔ)都是有限的。

　　異構(gòu)架構(gòu)的趨勢(shì)

　　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(kāi)發(fā)人員正在轉(zhuǎn)向針對(duì)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(zhǎng)并行處理，而其他架構(gòu)(例如CPU)則更擅長(zhǎng)順序處理。今天，沒(méi)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。總體趨勢(shì)是使用提供最佳解決方案的硬件來(lái)配置系統(tǒng)，而不是使用同一架構(gòu)的多個(gè)實(shí)例。

　　這種趨勢(shì)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(gè)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(gè)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(huì)。

　　從同構(gòu)系統(tǒng)架構(gòu)轉(zhuǎn)向異構(gòu)處理需要一個(gè)龐大的解決方案生態(tài)系統(tǒng)，以及在硬件和軟件級(jí)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(jí)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(kāi)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(kāi)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(lái)越多的開(kāi)源資源正在開(kāi)發(fā)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”軟件解決方案，運(yùn)行軟件的硬件平臺(tái)也是如此。

　　自動(dòng)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(jí)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(jí)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(huì)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(jí)”底層平臺(tái)(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)通常都會(huì)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(duì)整個(gè)物流自動(dòng)化系統(tǒng)的中斷降到低，并且邊緣AI硬件系統(tǒng)設(shè)計(jì)是一個(gè)明顯的優(yōu)勢(shì)。

　　通過(guò)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(lái)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(wú)需更改系統(tǒng)的其余部分。軟件容器還提供了一種簡(jiǎn)單而強(qiáng)大的方式來(lái)添加新功能，例如，適用于在邊緣運(yùn)行AI。

　　結(jié)論

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

　　越來(lái)越多的科技公司致力于AI解決方案，但這些公司通常針對(duì)的是云，而不是邊緣計(jì)算。在邊緣，條件很不同，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(guò)使用人工智能等技術(shù)，自動(dòng)化將在物流運(yùn)營(yíng)中繼續(xù)增長(zhǎng)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(gè)問(wèn)題，該方法提供具有競(jìng)爭(zhēng)力的解決方案、較短的開(kāi)發(fā)周期和靈活的平臺(tái)。