自動(dòng)化利用技術(shù)的手段，讓人類可以完成更多的任務(wù)。在物流領(lǐng)域，自動(dòng)化的潛力巨大且其帶來(lái)的好處也是顯而易見(jiàn)的，尤其是當(dāng)運(yùn)營(yíng)方式出現(xiàn)巨大變化或者需求不斷增加的情況下。擴(kuò)大運(yùn)營(yíng)規(guī)模通常需要增加額外的員工，而這些員工通常沒(méi)辦法立刻上崗，尤其是其他行業(yè)也有類似需求的時(shí)候。如何在市場(chǎng)波動(dòng)的情況下做出快速的反應(yīng)，需要在整個(gè)運(yùn)營(yíng)的過(guò)程中具有快速的行動(dòng)力以及其他額外的能力。

　　物流自動(dòng)化可以根據(jù)需求的變化快速實(shí)現(xiàn)增容。將物流自動(dòng)化提升到戰(zhàn)略性的地位之后，不僅可以提高生產(chǎn)力，而且還可以減少人為錯(cuò)誤，進(jìn)而提高工作效率。有了合適的物流自動(dòng)化軟件、硬件和平臺(tái)資源，即使在需求較低的時(shí)期，對(duì)運(yùn)營(yíng)成本的影響也比較小，遠(yuǎn)遠(yuǎn)低于要維持大量人力所需要的成本。隨著需求的增加，運(yùn)營(yíng)的能力已經(jīng)準(zhǔn)備就緒并且能夠快速啟動(dòng)。雖然這些方式能夠?yàn)槲锪鞴編?lái)所需的靈活性，可以快速響應(yīng)需求的變化，但是，仍然有機(jī)會(huì)做得更多。

　　人工智能將放大物流自動(dòng)化的影響力

　　將人工智能引入物流自動(dòng)化將大大增強(qiáng)人工智能的影響力。人工智能可以減少常見(jiàn)的半技能任務(wù)（如對(duì)產(chǎn)品進(jìn)行分類和分揀）中的錯(cuò)誤。利用自主移動(dòng)機(jī)器人AMR可以提升包裹投遞的效率，包括最昂貴的最后一公里的投遞。人工智能幫助自主移動(dòng)機(jī)器人AMR進(jìn)行路線的規(guī)劃和特征的識(shí)別，比如人、障礙物、交付門(mén)戶和門(mén)口等。

　　將物流自動(dòng)化集成到任何環(huán)境中時(shí)，都會(huì)帶來(lái)一定的挑戰(zhàn)。它可以像動(dòng)力傳送帶代替重復(fù)過(guò)程一樣的簡(jiǎn)單，也可以像將具備協(xié)作能力的自主機(jī)器人引入工作場(chǎng)所一樣復(fù)雜。當(dāng)人工智能被加入到自動(dòng)化和集成的過(guò)程中時(shí)，挑戰(zhàn)將變得更加復(fù)雜，但是受益也會(huì)隨之增加。

　　隨著解決方案之間的互聯(lián)互通，以及對(duì)流程之中其他階段的了解更加深入，各個(gè)自動(dòng)化元素的效率也會(huì)隨之提高。將人工智能置于產(chǎn)生數(shù)據(jù)和采取行動(dòng)的設(shè)備附近，我們稱之為邊緣人工智能。而邊緣人工智能的采用正重新定義物流自動(dòng)化。

　　邊緣人工智能的發(fā)展極其迅速，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保持一定的平衡，例如電力、環(huán)境操作條件、物流位置以及可用空間。

　　在邊緣處實(shí)施推理

　　邊緣計(jì)算讓計(jì)算和數(shù)據(jù)更加緊密地結(jié)合在一起。在傳統(tǒng)的物聯(lián)網(wǎng)應(yīng)用中，大多數(shù)的數(shù)據(jù)通過(guò)網(wǎng)絡(luò)被發(fā)送到（云）服務(wù)器，并在那里進(jìn)行數(shù)據(jù)的處理，再把結(jié)果返回到網(wǎng)絡(luò)的邊緣（如邊緣處的物理設(shè)備）。只有云計(jì)算才引入了對(duì)延遲的考慮，而這樣的方式對(duì)于時(shí)間敏感型的系統(tǒng)來(lái)說(shuō)是不可接受的。這里舉個(gè)邊緣計(jì)算發(fā)揮作用的例子，在分揀過(guò)程中，從本地捕獲和處理包裹的圖像數(shù)據(jù)，可以讓物流自動(dòng)化系統(tǒng)在短短的0.2秒內(nèi)就可以做出響應(yīng)。而系統(tǒng)這部分的網(wǎng)絡(luò)延遲則會(huì)讓分揀過(guò)程變得更慢，不過(guò)，邊緣計(jì)算則可以消除這個(gè)潛在的瓶頸。

　　雖然邊緣計(jì)算讓計(jì)算更接近數(shù)據(jù)，但將人工智能引入到邊緣側(cè)，可以讓過(guò)程變得更加靈活，而且不容易出錯(cuò)。同樣地，最后一公里的物流很大程度上依賴人工，但使用邊緣人工智能的自主移動(dòng)機(jī)器人AMR卻可以改善這一現(xiàn)狀。

　　引入人工智能對(duì)物流自動(dòng)化中使用的硬件和軟件來(lái)說(shuō)，將產(chǎn)生重大的影響，并且存在越來(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不適合在網(wǎng)絡(luò)邊緣側(cè)部署模型。用于訓(xùn)練的處理資源是為服務(wù)器而設(shè)計(jì)的，其對(duì)能耗和內(nèi)存等資源的需求幾乎是不限制的。而在邊緣，能耗和內(nèi)存則是有限制的。

　　異構(gòu)的趨勢(shì)

　　在硬件方面，大型的多核處理器不太適合邊緣人工智能應(yīng)用。相反地，開(kāi)發(fā)人員正在專項(xiàng)針對(duì)邊緣人工智能部署優(yōu)化的異構(gòu)硬件解決方案。這種方案包括了CPU和GPU，當(dāng)然，還可以擴(kuò)展到ASIC、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)有一種單一的架構(gòu)可以真正做到為人工智能應(yīng)用提供最佳的解決方案。總體的趨勢(shì)是使用能夠提供最佳解決方案的硬件來(lái)配置整個(gè)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)指向了異構(gòu)，其中有許多不同架構(gòu)的硬件處理解決方案，通過(guò)配置進(jìn)行協(xié)同工作，而不是使用多個(gè)設(shè)備（所有設(shè)備都基于相同的處理器）的同一架構(gòu)。能夠?yàn)槿魏谓o定的任務(wù)引入正確的解決方案，或者在特定設(shè)備上整合多個(gè)任務(wù)，這樣可以提供更大的可擴(kuò)展性能，以及優(yōu)化的每瓦和/或每美元性能。

　　從同構(gòu)系統(tǒng)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)，以及具備在硬件和軟件級(jí)別上配置這些解決方案的成熟的能力。這就是為什么要與一家有能力與所有芯片供應(yīng)商建立合作伙伴關(guān)系的供應(yīng)商合作的原因，因?yàn)檫@個(gè)供應(yīng)商能夠?yàn)檫吘売?jì)算提供解決方案，并與客戶一起合作開(kāi)發(fā)具備擴(kuò)展能力和靈活能力的系統(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)ROS2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)之中，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“正確的”的軟件解決方案，運(yùn)行軟件的硬件平臺(tái)也是如此。

　　利用模塊化的方法構(gòu)建邊緣計(jì)算

　　為了提高靈活性并減少被供應(yīng)商綁定，凌華科技在硬件層面上開(kāi)發(fā)了一種模塊化的方法，這樣可以讓任何解決方案中的硬件配置變得更加靈活。實(shí)際上，硬件級(jí)別的模塊化可以讓工程師更改系統(tǒng)硬件的任何部分，例如處理器，而且不會(huì)造成系統(tǒng)范圍的中斷。

　　在部署邊緣人工智能等新技術(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)通常為網(wǎng)絡(luò)邊緣的推理引擎提供了更好的功率/性能的平衡，因此能夠快速利用這些性能和功率增益，把整個(gè)物流自動(dòng)化系統(tǒng)的中斷降到最低的程度，并且邊緣人工智能系統(tǒng)設(shè)計(jì)也是一個(gè)明顯的優(yōu)勢(shì)。

　　通過(guò)使用微服務(wù)架構(gòu)和Docker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，軟件利用處理器也是模塊化的，可以替代之前的處理器，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，可以添加新的功能以運(yùn)行在邊緣人工智能中。

　　容器（Container）內(nèi)的軟件也可以是模塊化的。凌華科技用于人工智能視覺(jué)產(chǎn)品的Edge Vision Analytics（EVA）SDK（軟件開(kāi)發(fā)套件）就是一個(gè)典型的例子。該平臺(tái)基于Gstreamer，專注于構(gòu)建人工智能視覺(jué)管道所需要的基本功能。人工智能視覺(jué)管道的每個(gè)階段都使用現(xiàn)成的開(kāi)源插件（自身包含模塊）來(lái)簡(jiǎn)化管道的開(kāi)發(fā)。這些插件包括圖像捕獲和處理、人工智能推理、后處理和分析。

　　硬件和軟件的模塊化和容器的方法，最大程度減少了被供應(yīng)商綁定的危險(xiǎn)，這就意味著解決方案不依賴于任何特定的平臺(tái)。它還增加了平臺(tái)和應(yīng)用之間的抽象，使得最終用戶更容易開(kāi)發(fā)自己的，不依賴于任何平臺(tái)的應(yīng)用程序。

　　我們通過(guò)一個(gè)數(shù)據(jù)庫(kù)來(lái)簡(jiǎn)化升級(jí)的過(guò)程，該數(shù)據(jù)庫(kù)在組件可以用時(shí)對(duì)其進(jìn)行表征。使用該數(shù)據(jù)庫(kù)，工程師可以選擇適合的產(chǎn)品，以實(shí)現(xiàn)推理性能和系統(tǒng)資源之間的完美平衡。

　　物流自動(dòng)化最重要的要求之一就是要實(shí)時(shí)響應(yīng)。因此，與一個(gè)在軟硬件組合開(kāi)發(fā)系統(tǒng)方面有著豐富經(jīng)驗(yàn)，并且能滿足應(yīng)用需求的供應(yīng)商合作是非常重要的。凌華科技的方法就是使用可以與專業(yè)的第三方技術(shù)（如LiDAR傳感器）集成的模塊。

　　結(jié)論

　　在物流自動(dòng)化中部署邊緣人工智能不需要更換整個(gè)系統(tǒng)。首先需要評(píng)估工作空間并確定可以真正從人工智能中獲益的階段。主要的目標(biāo)是降低運(yùn)營(yíng)支出的同時(shí)提高效率，尤其是在勞動(dòng)力短缺的時(shí)期可以應(yīng)對(duì)需求的增加。

　　越來(lái)越多的科技公司致力于開(kāi)發(fā)人工智能解決方案，但是大多數(shù)公司通常只針對(duì)云計(jì)算，而不是邊緣計(jì)算。在邊緣側(cè)，其運(yùn)行條件是不同的，資源可能有限，甚至可能需要專網(wǎng)。

　　通過(guò)使用人工智能等技術(shù)，自動(dòng)化在物流運(yùn)營(yíng)中將持續(xù)增長(zhǎng)并得以擴(kuò)展。這些系統(tǒng)解決方案需要特別設(shè)計(jì)，用以滿足惡劣的運(yùn)行環(huán)境，這與云或者數(shù)據(jù)中心的需求截然不同。我們使用模塊化的方法解決這個(gè)問(wèn)題，這個(gè)方法提供了極具競(jìng)爭(zhēng)力的解決方案、更短的開(kāi)發(fā)周期和靈活的平臺(tái)。