物流行业，最痛的永远是货物分拣的“最后一公里”，涉及到将不同的货物挑拣，分门别类递送，需要消耗末端大量的人力，完成递送。

比如过去的双十二碰上了锐减的快递小哥，到处都出现了大量货物的堆积，像这样👇
据报道，多地快递网点停摆，日薪400元招不到临时工，上万件快递堆积如山。
不止国内，在人力更为昂贵的美国，电商巨头亚马逊早就面临这一问题，因此也一直在探索用机器解决这一“分拣”问题的可能性。
从一箱物品中抓取一件物品，然后将该物品放入不同的箱子中，这是分拣包裹最重要的一步。不过，从一堆物品中挑选一件物品对机器人来说并不容易（尤其是当不同物品的数量可能达到数百万时）。从 2015 年开始，亚马逊就一直在研发可以拣选物品的机器人，比如在 ICRA 赞助了亚马逊拣选挑战赛。
亚马逊的这一投入终于小有成效，一个月前，亚马逊推出了 Sparrow，它被描述为“亚马逊仓库中的第一个机器人系统，可以检测、选择和处理我们库存中的单个产品” 。
不过，目前Sparrow 的实际工作环境与真实的快递场景还有所不同。Sparrow配备了非常适合机器人使用的分拣箱，这使得它的工作比真实场景轻松得多。
传输带+抓手
解决快递分拣的“最后一公里”
亚马逊机器人 AI 主管Sidd Srinivasa将物品装载问题描述为“一场噩梦……“快递装载”从根本上打破了所有现有的工业机器人思维。”
当亚马逊仓库收到一批新货物时，比如说 Extremely Very Awesome Nuggets (EVANs)，第一步是调出一个有足够空货架的货舱，以立即将所有 EVANs 装入。这样，当有人下订单购买 EVAN 时，装满 EVAN 的货舱就会出现，并且人们可以从其中一个货架上挑选一件 EVAN装入合适的地方。然而，这种方法的问题是，如果装满 EVAN 的吊舱卡住或损坏或无法访问，那么整个系统的速度会被完全卡住（对 EVAN 的需求非常非常高）。
亚马逊的仓储对机器人来说既是前沿又是噩梦，是因为它是一项针对人类进行了高度优化的任务。亚马逊在人工优化方面投入了大量资金，并且（至少目前）该公司非常依赖人类。这意味着任何会对以人为中心的工作流程产生重大影响的机器人解决方案可能不会走得太远。因此，Parness 和高级应用科学家 Parker Owan 必须开发能够解决问题的硬件和软件。这是他们想出的解决方案：
在硬件方面，有一个挂钩系统，可以将传送带拉开，以便进入每个储物空间。这是容易的部分，困难的部分体现在臂端工具 (EOAT) 中，它由两个长桨组成，可以轻轻挤压物品以将其捡起，其内表面带有传送带，可将物品射入储物箱。一种可伸缩的薄金属刮刀可以在臂端工具展开之前进入储物箱，并在必要时四处移动物品以腾出空间。
要使用所有这些硬件需要一些非常复杂的软件，因为系统需要能够感知储物箱中的物品（它们可能相互遮挡以及在松紧带后面），估计每个物品的特征，考虑方法这些物品可以被安全地推来推去，以根据要装载的物体最大化可用的储物箱空间，然后执行正确的动作来实现所有这些。目前，亚马逊研究人员已经能够实现（在实验室中）超过 90% 的装载成功率。
经过多年的工作，该系统运行良好，原型正在华盛顿州的亚马逊运营中心存放实际库存物品。目标是能够存放 85% 的亚马逊库存产品（数百万件），但由于该系统可以安装在人类使用的相同工作流程中，因此成功率也没有必要达到 100%。如果系统无法处理它，它会将其传递给人类工作者。
负责人：
希望能够一次解决分拣和装载的问题
IEEE与 亚马逊机器人与人工智能应用科学高级经理 Aaron Parness进行了交谈以了解更多信息。
IEEE Spectrum：当机器手在储物箱中的物品信息不完整的情况下进行操作时，如何确保不会损坏任何东西？
Parness：这里有两点需要强调。一个是方法以及我们如何决定采取什么行动。其次是如何确保在执行这些操作时不会损坏物品，例如尽可能地挤压。
首先，我们使用决策树。我们使用该物品信息来领取所有简单的东西——如果储物箱是空的，请将最大的东西放入储物箱。如果箱子里只有一件物品，而且你知道那件物品是一本书，你可以假设它是不可压缩的，然后你可以相应地操作它。当你沿着决策树向下移动时，你会到达某些分支和叶子，这些分支和叶子太复杂而无法使用一组启发式方法，这就是我们使用机器学习来预测事情的地方，比如，如果我扫过这个点云，我有多少空间可能在储物格里？
这就是基于接触的操作的用武之地，因为另一件事是，在仓库中，你需要有速度。您不能每小时装载一件物品并保持高效。这就是在控制回路中施加力和扭矩会产生影响的地方——我们需要有一个高速率，几百赫兹的回路在我们的导纳控制器和我们的运动规划堆栈中关闭传感器和一堆特殊的调味料以确保我们可以在不损坏物品的情况下执行这些动作。
IEEE Spectrum：在这些针对人类优化的环境中操作，机器人方法与人类行为的模仿程度如何？
Parness：我们从自己做开始。我们也拿着机器人末端执行器自己做一遍执行操作。这很重要，因为你没有意识到你在做所有这些精细的控制动作，而且你手上有这么多传感器。但是当我们自己完成这项任务时，当我们观察专家这样做时，运动基元的想法就是这么出现的，这使得这个问题更容易实现。
IEEE Spectrum：是什么让你使用运动基元方法而不是更通用的学习技术？
Parness：我会给你一个诚实的答案——我从来没有被强化学习所吸引。
但是我的团队中有些人对此很感兴趣，我们进行了辩论，因为我真的相信迭代设计理念和原型制作的价值。我们做了一堆早期原型，试图做出数据驱动的决策，而端到端的强化学习似乎很棘手。但运动基元策略让我不再怀疑机器人是否能完成这项工作，并让我想，“哦，是的，就是这样。我们必须为此努力。” 那是一个转折点，获得那些运动基元并认识到这是构建问题以使其可解决的一种方法，因为它们可以帮助您完成大部分工作。
IEEE Spectrum：末端执行器看起来很专业——你是如何开发的？
Parness：环顾整个行业，有很多吸盘，很多捏手。当你拥有这些类型的抓手时，突然之间你会尝试使用你抓握的物品来操纵储物箱中的其他物品，对吧？当我们决定采用桨式方法并封装物品时，它给了我们对物品的六个自由度控制，以确保它不会进入我们不希望它进入的空间，同时也给了我们夹具上已知的工程表面。也许我只能以一般方式预测刚度或接触特性或储物箱中的物品，但我知道我正在用我的桨背面触摸它，它是铝制的。
但后来我们意识到，末端执行器实际上占用了储物箱中的大量空间，关键在于我们试图将这些储物箱填满，以便我们可以在 Amazon.com 上出售很多东西。这是一个超级简单的工具，你可以用它来推动东西，翻转东西，挤压东西......你绝对不是在做 27 自由度的人手东西，但是因为我们有这些运动基元，硬件补充了这一点。
然而，抓手还是带来了一个新问题，因为在使用它们时，我们基本上必须先放下物品，然后再尝试将其推入。正是这种动力——放手推——这不是很好。这就是将传送带放在机器抓手上的原因，就成功而言，这使我们登上了月球。
IEEE Spectrum：分拣在多大程度上只是“反向装载”？您能否反向运行您的系统并解决拣选问题？
Parness：这是一个很好的问题，因为显然我也考虑过这一点，但选择起来有点困难。对于装载，更多的是关于如何在储物箱中腾出空间，然后是如何将物品放入空间。对于拣选，您需要识别物品——当储物箱出现时，机器学习、计算机视觉，该系统必须能够在混乱中找到正确的物品。但是一旦我们可以处理联系并且可以处理混乱，选择肯定是一个打开的应用程序。
从长远来看，如果亚马逊部署了一堆这样的装载机器人，突然之间你就可以开始跟踪物品了，你会记得这个机器人把这个物品存放在这个箱子的这个地方。您可以开始构建容器映射。不过现在，系统不记得了。
特别是在挑选方面，亚马逊在过去几年里做的一件好事是开始更多地与学术界接触。我的团队赞助麻省理学院和华盛顿大学的研究。华盛顿大学的团队实际上正在考虑挑选。装载和分拣å都是非常困难且非常有吸引力的问题，我希望我能及时解决这两个问题！
素材来源：
https://spectrum.ieee.org/amazon-warehouse-robots-2659064182
来源 | 大数据文摘（ID：BigDataDigest）
作者 | Mickey；编辑 | 杂芜
内容仅代表作者独立观点，不代表早读课立场
继续阅读
阅读原文