【投稿】符合容錯、目標容易定義等 5 大條件,「倉儲」成為 AI 機器人的孵化器!

【為什麼我們要挑選這篇文章】產業界正在開發 AI 機械手臂,而倉儲是培育 AI 機械手臂的優良場域,因為倉儲具有環境單純、任務好定義,貨品複雜度高,無法使用固定程式的機械手臂處理等 5 個特性。

以成本結構來看,訂單揀貨佔倉儲營運成本的 40%,而人工成本佔倉庫總預算約 70%,以 AI 取代人力,將釋出倉儲、物流業者大量成本,這也是 Amazon 等業者積極開發倉儲 AI 機器人的重要原因。(責任編輯:郭家宏)

作者:Bastiane Huang(OSARO 產品經理)

前一篇文章 我們談到,AI 機器人和傳統機器人最大的不同在於自主學習能力,而這樣的改變將使得 AI 機器人有潛力顛覆各大產業。但究竟 AI 機器人會發展出什麼樣的應用?對各個產業又會有什麼影響?

在這篇文章中,我們將徹底探討 AI 機器人在倉儲產業中的應用、並且瞭解為何倉庫會成為 AI 機器人的首個應用場景。

貨物種類多樣複雜,倉庫無法導入傳統機器手臂處理

透過程式設計,工廠內常見的機器手臂能以超越人類的高精度、高速度重複執行特定任務,甚至舉起人類無法負荷的重物。

但是,就算是現在最先進的機械手臂,也無法像人類一樣靈活變化。一旦生產商品或流程變更,工程師就需要重新編寫程式;甚至只要環境中有些微變化,例如某個零件稍微往左移動幾公分,機器手臂往往就無法應變,更不用說要處理時常變換的客製化零件。

為此,系統整合業者特別設計了振動台、送料器、輸送帶等,以確保機器人能以同樣的角度和位置獲取同樣的零件;然而這些周邊硬體和整合費用,往往比機械手臂本身還要貴四五倍以上,不但所費不貲、也不夠有彈性。

這也是為什麼車廠無法完全自動化的原因之一:平均來說,一輛汽車會有一到兩萬多個獨立零件。如果這樣聽起來已經夠多、夠複雜,想像一下一般倉庫中,通常有上百萬種商品、以及各式各樣的包裝,這樣的多樣化程度,為機器手臂的自動化應用增加了許多難度。對傳統的機器視覺及自動化來說,這意味著必須事先登錄上百萬種商品、並且編寫程式教導機器人對各個商品做不同的處理,不但曠日費時,而且幾乎是不可能的任務。

深度強化學習讓機器手臂更聰明

然而這個以往看來不可能的任務,現在卻因為深度強化學習(Deep Reinforcement Learning,DRL)的出現而出現契機;因為 DRL 可以協助機器識別、應對周圍環境,並自主學習處理多樣的產品及工作內容。

有了足夠的資料與練習,DRL 機器人就能自學新能力、逐漸進步;就像我們的學習方式一樣,經過嘗試、或是他人示範,機器也可以學著識別影像、打贏電玩遊戲,或是像 Deep Mind 研發的 Alpha Go Zero 一樣,利用 DRL 自我學習,最終戰勝世界棋王。

每次的抓取和試驗,都使機器人變得更聰明、更善於掌握任務內容;此外,雲端連線的機器人還能相互學習交流。這樣的巨大轉變,使得機器人解決方案更加靈巧、彈性、而且有效率。那麼究竟什麼是深度強化學習?

深度強化學習簡單來說,就是深度學習(DL)以及強化學習(RL)的結合:

深度學習(DL)

深度學習以人工神經網路架構為基礎,是機器學習的一種,主要用於影像分類。舉例說明:如果要你找出一套規則,教機器如何辨識貓,你可能會說「一隻貓有四隻腳、兩隻耳朵、毛茸茸的」。但這樣和形容狗有什麼差異?

深度學習不需要我們自己找出規則,只要直接給機器一堆貓的照片,就能讓機器自己學會一套辨別貓的規則。

強化學習(RL)

強化學習的靈感來自於行為心理學;透過獎懲機制、邊做邊試、從錯誤中學習,從而學習到如何強化控制方式。舉例來說,我們學習走路的時候,並不需要先看「走路時關節如何運動」的照片;而是直接嘗試,逐漸從跌跌撞撞進步到可以順利自行行走。

同樣的,機器也可以透過這種方式來學習動作。

深度強化學習(DRL)

深度強化學習(DRL)同時結合了以上兩種方法。因此機器手臂現在能透過深度學習,來自主辨識不同的物體;並藉由強化學習,對於不同物體採取不同的因應動作。

這樣的技術還在發展當中,目前適用的範圍包括了:

1. 簡單或模擬的任務
2. 容錯(fault-tolerant)任務
3. 需要處理的狀況很多樣,因此很難以人工編寫規則的工作
4. 容易定義獎賞機制及目標的工作
5. 環境中不確定因素較低的工作

符合 5 大條件,倉庫成為 AI 機器人的孵化器

一般公認,倉庫貨物分揀作業是最適合 AI 機器手臂早期廣泛應用的使用情境。以上述適合 DRL 應用的五個條件來說:

首先,貨物分揀是相對簡單、而且可以容錯的任務;就算機器人不小心失誤,也只要將貨品重新撿起來,不破壞物品就可以。相反的,如果手術機器人出現失誤,就不是可以輕易解決的問題。

其次,任務內容雖然相對簡單,但需要處理的商品多達上百萬種、包裝千奇百怪,因此無法光靠人工編寫程式來完成任務。可以成功地拿取貨物就是成功、反之就是失敗,所以相對容易定義獎賞機制及目標。

最後,一般的自動化倉庫是相對受限的環境;雖然還是有不確定性,但相對於一般家庭或大街上,不確定因素還是少了很多。

另外,倉庫中需要完成的任務往往十分相似,而且訂單揀貨佔了大多數倉庫營運成本的 40% 以上,人工成本佔倉庫總預算高達 70%;因此在亞馬遜(Amazon)等電子商務公司降低成本、追求快速到貨的推波助瀾下,零售商無一不設法追求倉庫自動化,而這也讓倉儲自動化成為 AI 機器人的應用案例首選。

許多新創公司都選擇倉庫貨物分揀作為第一個應用案例,希望利用倉庫做為試驗場,讓 AI 機器人技術更進一步、也讓更多傳統公司瞭解這項新技術。

貨物分揀是機器人研究領域的「終極目標」

在自動化倉庫中,實際裝箱的貨物分檢程序仍大多是由人工進行。圖片來源:Bastian Solutions

倉庫自動化已經存在數十年,也發展出了自動倉儲系統、自動導引車(AGV,如 Amazon Robotics 現行的「Kiva」)等各種設備。

但多數人不知道的是,自動化倉庫內的貨物揀選與包裝作業仍然是由人工執行;而這些作業的人工成本,更高達倉儲經營總預算的 50% 到 70%。

除此之外,機器人的成本自 1990 年代以來持續大幅下降;同時,倉庫工人短缺卻導致每年平均工資上漲 6% 至 8%。綜合以上原因,貨物分揀一直是倉庫業者想自動化、卻苦無方法著力的終極目標。

所以,「揀貨能力」長期以來一直是機器人研究中被譽為聖杯(holy grail)、也就是難以突破的「終極目標」。

年復一年,Amazon 和 KUKA 等公司都為新創公司和學術團隊舉辦機器人挑戰賽,希望藉此打造出有能力識別、揀貨、貯放貨品的機器。近年來,因為深度學習技術的出現,終於促使機器人有能力識別、挑選、並且妥善放置數百、甚至多達數千件的物品。

但這項技術仍未臻完善。對機器來說,識別數千萬個物件、並處理可變形物件或透明包裝物品,仍然充滿挑戰;然而,根據我們訪談 Locus Robotics 與 OSARO 等美國倉庫機器人新創的結果,許多產業專家預計這項技術很快就會成熟,在接下來五年內大量獲得倉庫採用。

另一方面,包括亞馬遜、Standard Cognition 等公司,都正在開發無人商店、發展利用 AI 的商品識別技術;或許在不久的將來,就會出現能識別倉庫裡大部分商品的智慧相機。

如果這種情況真的發生,不僅足以影響倉儲作業,還將衝擊零售、出貨,以及許多其他我們從未想像過的應用場景。

而在下一篇文章中,我們將進一步探討如何從「倉庫產業」這個 AI 機器人孵化器中,預測這項技術未來在其他產業的發展。

作者:
Bastiane Huang 目前在舊金山擔任 AI/Robotics 新創公司 OSARO 的產品經理,專注於開發機器學習軟體,用於機器人視覺和控制,擁有近 10 年產品及市場開發管理經驗,並在美國《機器人商業評論》及《哈佛商業評論》發表文章及個案研究。如果你也對 Robotics 2.0(AI-Enabled Robotics)、產品管理、Future of Work 有興趣,   請點這裡追蹤她   。

(本文經投稿作者 Bastiane Huang 授權刊登,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈Robotics 2.0(2) — 為什麼瞭解 AI 機器人必須從倉庫自動化開始?〉。意投稿者可寄至:[email protected],經編輯檯審核並評估合宜性後再行刊登。首圖來源:Wikimedia Commons

更多關於 AI 機器人的發展

一文解析機器人發展趨勢:從自動化演進到自主化,走出工廠滲透農業、物流產業
fast.ai 創辦人、ANTLR 之父聯合開課!一次搞懂深度學習最常卡關的「矩陣微積分」
AI 新創 Appier 獲 D 輪資金 25 億,台灣第一隻獨角獸即將誕生?


微軟精華 AI 實踐課程來啦!

超過 100 堂專業課程、350 位原廠專家技術交流

2/17、18 與微軟技術夥伴面對面,破解最新、最前沿的 AI 轉型解決方案

免費報名

點關鍵字看更多相關文章: