机器人智能分拣技术的突破性进展

机器学习领域的创新速度已远超预期——如今可能实现的技术在数年前仅停留在概念阶段。某机构开发的机器人系统不仅能识别杂乱储物箱中的潜在空间，还能灵敏地操控箱内物品以创造空间，并成功放入新增物品——这一成果在不久前还被认为是不可能实现的。

分拣流程的挑战

当商品抵达某中心（FC）时，首要任务是通过将其添加到可用库存中来供客户购买。实际操作中，这意味着需要拾取物品并将其存入存储单元。存储单元类似于大型书架，由坚固的黄色织物制成，包含多达40个称为“箱”的格子。每个箱子前部配有弹性带，防止内部物品掉落。这些单元由轮式机器人（驱动单元）运送到进行分拣操作的工作站。当单元基本装满时，它会被推回仓库，其中物品等待客户订单。

分拣是某机构运营的重要组成部分，但由于工作需要精细的思维和灵巧的操作，从机器人自动化角度来看，这曾是一个棘手难题。想象一下：手中拿着待分拣的物品，需评估其尺寸和重量，观察面前的箱子阵列，隐式感知哪些是空的、哪些已满、哪些有大块空间，以及哪些可以通过推动箱内物品来创造空间。选择箱子后，移开弹性带，为物品腾出空间并放入其中。完成一次操作后，重复此过程。

突破传统工业机器人思维

分拣任务需要机器人具备两种高级能力：一是对三维世界的出色理解，二是能够牢固而灵敏地操控各种包装物品（从灯泡到玩具）——轻轻推开物品、翻转它们、以一定角度将物品插入其他物品之间等。

要使机器人系统有机会完成此任务，需要智能视觉感知、自由移动的机械臂、工程学未知的末端执行器以及对施加力的敏锐感知。某机构机器人人工智能总监表示：“分拣从根本上打破了所有现有工业机器人的思维。工业机械臂通常是执行固定轨迹的笨重手臂，非常依赖位置控制。”

2018年加入某机构时，多个机器人项目已尝试使用刚性位置操纵器对织物单元进行分拣。“它们惨败，因为这是一个噩梦。除非拥有正确的计算工具，否则无法工作：必须从计算而非物理角度思考。”

解决“美丽问题”的技术路径

一位机器人人工智能高级应用科学家回忆道：“当时我正在研究机器人接触、模仿学习和力控制。总监说‘某机构有一个美丽的问题，你可能有兴趣看看’，然后就留下了这句话。”种子由此播下。该科学家于2019年 dedicated himself to the stow challenge。

他从决策算法角度入手：感知需求；如何将物品匹配到合适的箱子；如何利用箱内信息做出更好决策；机械臂在自由空间中的运动规划；以及实际接触产品并在箱内创造空间。

约六个月后，一小队应用科学家和硬件专家加入探索工作。硬件专家最初持怀疑态度：“我的第一反应是‘哦，多么勇敢和天真，这位刚完成博士学位的家伙认为机器人能处理这种级别的杂乱和物理接触！’”但他很快被吸引。“一旦看到问题如何被分解和结构化，突然就清楚这里有一些超级有用和有趣的东西。”

硬件创新与力控技术

从硬件角度，团队需要找到具有力反馈的机械臂。尝试多种型号后，团队选定了一款有效模型。该手臂每秒数百次反馈施加的力和遇到的阻力。使用此信息控制机器人称为“顺从操纵”。

“我们从一开始就知道需要顺从操纵，但从未见过任何行业大规模实现此技术。这是未知领域。”硬件专家开始研究至关重要的硬件。通过相对简单的钩系统解决了移动弹性带以存放物品的问题。

末端执行器（EOAT）证明是顶级挑战。分拣对机器人困难的原因之一是物品及其包装的多样性：未充气的足球旁边可能是书籍、运动饮料、T恤、珠宝盒。机器人需要处理这种多样性。EOAT在两年内快速演进，经历多次失败和迭代。

“最终，我们发现用两个桨板轻轻挤压物品比使用吸盘或机械钳更稳定。”但桨板设置在尝试将物品插入箱子时带来了挑战——桨板总是碍事。团队提出了替代方案：将物品保持在箱子旁边，然后同时打开桨板并使用柱塞将物品推入。这种“放推”技术容易出错，因为并非所有物品都以相同方式反应。

EOAT的下一次迭代是在每个桨板上安装微型传送带，使EOAT能够顺利将物品送入箱子而无需进入箱内。“通过这一改变，我们的分拣成功率从约80%跃升至99%。这是我们的尤里卡时刻——我们知道找到了胜利方案。”

运动原语与空间创造

将物品放入箱子的能力至关重要，但在杂乱箱子中创造空间同样重要。为更好地理解机器人系统需要什么，团队仔细研究了自己如何执行任务。一位科学家甚至佩戴头戴式摄像机记录自己的操作。团队惊讶地发现，织物箱内绝大多数创造空间的手部动作可归纳为四种类型或“运动原语”，包括横向清扫箱内现有物品、翻转平放物品、堆叠以及以一定角度将物品插入其他物品之间的间隙。

工程师们意识到EOAT的桨板无法参与此箱内操纵任务，因为它们会碍事。最终的解决方案出奇简单：一个可从EOAT延伸的薄金属片，称为“铲子”。延伸的铲子可以牢固而灵敏地将物品推到一侧、翻转它们，并通常用于在箱内创造空间，然后桨板将物品弹射到创造的空间中。

但系统如何知道单元箱子的充满程度，以及如何决定在何处及如何为下一个待分拣物品创造空间？这就是视觉感知和机器学习发挥作用的地方。决定在何处尝试分拣物品需要充分了解每个织物箱中的总可用空间。理想情况下，应使用LiDAR等3D传感器技术。但由于每个箱子前部的弹性带部分阻挡了内部视图，此选项不可行。

相反，系统的视觉感知基于指向单元的摄像机，将其图像数据馈送到机器学习系统。根据所能看到的每个箱子内容，系统“擦除”弹性带并对箱内不可见物品进行建模，然后估计单元每个箱子中的总可用空间。通常，杂乱箱子中有可用空间，但不连续：各处有零星空间。机器学习系统（部分基于某中心技术团队开发的现有模型）然后预测在给定可用的运动原语情况下，可以在每个箱子中创造多少连续空间。

“这些原语可以根据需要变化，并以无限多种方式链接，”总监解释道。“例如，可以在这里翻转，然后推过去并放入物品。人类擅长首先识别这些原语，而机器学习擅长组织和协调它们。”

当系统对选项有明确想法时，它会考虑缓冲区中的物品——机械臂龙门架附近区域，各种形状和尺寸的产品等待分拣——并决定哪些物品最好放入哪些箱子以实现最大效率。

“对于每个潜在的分拣操作，系统将预测其成功概率，”硬件专家说。“当最佳成功预测降至约96%（发生在单元几乎满时），我们发送该单元并推入新单元。”

人机协作的未来

2021年夏末，随着其潜在可行性和价值变得更加清晰，某机构高级领导团队全力支持该项目。“他们说‘尽可能快；需要什么就给什么’。因此今年是一段疯狂之旅。感觉我们像是某机构内部的初创公司。”硬件专家指出，该方法对某中心员工也有显著优势。

“机器人和人在混合系统中协同工作。机器人处理重复性任务并轻松到达高低货架。人类处理需要直觉和灵巧度的更复杂物品。净效应将是更高效的操作，同时对员工更安全。”

机器人分拣工作站的原型安装在华盛顿州西雅图的实验室，另一系统安装在华盛顿州萨姆纳的某中心，处理实时库存。原型已经成功分拣物品，展示了系统的可行性。“总是有四到五名科学家和工程师围绕机器人，记录问题并寻找改进。”

今年，在一次包含各种挑战性产品属性（袋装物品、重心偏移的不规则物品等）的分拣测试中，系统成功分拣了95件物品中的94件。当然，有些物品永远无法由此系统分拣，包括特别笨重或沉重的产品，或在传送带上行为不端的圆柱形物品。团队的最终目标是能够分拣标准某中心库存的85%产品。

“与杂乱排列的物品、不同形状和尺寸的未知物品交互，并以智能方式操纵它们，所有这一切在某机构规模上进行——这是突破性的，”科学家说。“我感觉自己处于重大事件的起点，这让我每天兴奋地工作。”

“分拣将是某机构第一个大规模棕地自动化项目，”总监说。“将自动化精确插入现有建筑物非常具有挑战性，但我们正在实现机器人和人类真正并肩工作的未来，而无需 dramatically change 人类工作环境。”

“某机构机器人人工智能所做的棕地自动化类型的一个优势是对流程或建筑空间的干扰最小，这意味着我们的机器人可以真正与人类一起工作，”总监补充道。“这也是顺从手臂的未来好处，因为它们可以通过软件和人工智能变得比工业手臂更安全。”

硬件专家表示，机器人和人类并肩工作是该技术长期扩展超越零售业的关键。“想象机器人装载易碎杂货，或长期来看，装载洗碗机或帮助人们处理家务。具有力觉控制回路的机器人是顺从机器人应用的新范式。"