条形码已使用近50年，虽然无处不在且几乎不会出错，但对某中心而言还不够完美。在物流中心，员工需要在多个环节扫描条形码验证物品身份，这个过程需要人工定位和扫描条码，且存在条码损坏或缺失的情况。

面对数百万种不同形状尺寸的商品，这种流程难以自动化。目前还没有机器人能灵活处理仓库中的所有物品并进行扫描。解决方案是增强甚至消除条形码，或者更好的是完全摆脱低效的人工识别方式。

这正是某中心正在研究的多模态识别技术(MMID)。该技术通过多种信息模态（例如从物品图像中提取外观和尺寸特征）来实现自动化识别。在汉堡和巴塞罗那的物流中心，该技术已在传送带上成功标记"虚拟物理不匹配"的托盘（即托盘内物品与库存系统记录不符的情况）。

“我们的终极目标是将其应用于机器人操作，“某中心计算机视觉团队的应用科学经理表示，“解决这个问题，让机器人无需寻找和扫描条形码就能处理物品，这对加快和提升包裹配送准确性至关重要。”

开发MMID系统的第一步是建立物品图像库。研究人员在传送带上方安装摄像头采集商品图像，每张图像被转换为数字向量描述，物品尺寸也转化为向量。通过深度学习算法，团队惊喜地发现初始实验的匹配率达到75%-80%。经过持续优化，目前匹配率已接近99%。

高匹配率部分得益于库存系统能精确追踪每个物品的位置。算法不需要匹配数亿商品的全目录，只需与单个料箱中的几十件商品进行比对。MMID技术首先在波兰的物流中心试点，摄像头拍摄"单一物品托盘”（只含单件商品的托盘）的图像。

“我们避免了错误物品进入流程末端的情况，“参与该项目的机器人AI应用科学家解释，“可以立即将错误物品回收至正确位置。“该阶段的MMID传感器平台还具有非侵入性优势：仅在不匹配时进行干预，正常流程不受影响。

系统持续通过摄像头收集新图像数据用于改进。“这些数据后续可免费用于系统优化，“项目科学负责人表示。学习过程至关重要，例如系统曾因两种颜色的智能音箱包装几乎完全相同而无法区分，这促使团队开发了置信度评分功能：高分表示潜在不匹配需拦截，低分则无需采取行动。

未来MMID可能整合到物流流程的其他环节，但存在挑战。传送带上的光照和物品速度相对可控，而人工拣货时存在更多变量。研究人员正在解决这些难题。“将MMID应用于整个物流流程以实现机器人自动化的愿景必将实现，“项目负责人表示，“这将是我们更快更准确配送包裹道路上的又一里程碑。”

该技术涉及的核心研究领域包括机器人技术、计算机视觉和运筹优化，关键技术突破包括：

1. 基于深度学习的多模态特征提取算法
2. 99%高准确率的物品识别系统
3. 非侵入式的实时错误检测机制
4. 自适应学习的持续优化框架