机器人智能分拣技术的突破性解决方案

分拣流程的挑战

当产品抵达某中心时，首要任务是通过将其添加到可用库存中供客户购买。在实践中，这意味着需要将其拾起并存放于存储单元中。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个称为箱子的隔间。每个箱子前部有弹性带防止物品掉落。这些单元由轮式机器人运送到进行分拣操作的工作站。

分拣是某中心运营的重要组成部分，但由于工作需要细微的思维和灵巧性，从机器人自动化角度来看曾被视为棘手难题。该任务要求机器人具备两项高级能力：对三维世界的出色理解，以及能够牢固但敏感地操作各种包装物品的能力。

突破传统工业机器人思维

"分拣任务从根本上打破了所有现有工业机器人的思维模式，"某机构机器人AI总监表示。"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年加入该机构时，多个机器人项目已尝试使用刚性位置操纵器进行织物单元分拣，但均以失败告终。"除非拥有正确的计算工具，否则这种方法行不通：必须从计算角度而非物理角度思考问题。"

创新硬件解决方案

团队需要找到具有力反馈的机器人手臂，最终确定了每秒提供数百次力反馈的有效模型。使用这些信息控制机器人被称为合规操作。

末端工具（EOAT）的开发是重大挑战。经过两年快速演进和多次迭代，团队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。最新迭代在每个桨板上安装了微型传送带，使EOAT能够平稳地将物品送入箱子，成功率从80%跃升至99%。

运动基元与空间创造

通过研究人类操作方式，团队发现绝大多数在织物箱内创造空间的手部动作可归纳为四种"运动基元"：横向清扫、直立翻转、堆叠和斜向插入。解决方案出人意料地简单：一个可从EOAT延伸的薄金属片，称为"铲子"。

视觉感知与机器学习

系统的视觉感知基于指向存储单元的摄像头，将图像数据馈送到机器学习系统。系统会"擦除"弹性带，模拟箱子内不可见物品，并估算每个箱子的总可用空间。机器学习系统然后预测在给定运动基元的情况下，可以在每个箱子中创建多少连续空间。

"这些基元可以以无限多种方式链接，"总监解释道。"人类擅长识别这些基元，而机器学习擅长组织和协调它们。"

人机协作的未来

2021年夏季末，该项目获得高层领导团队的全力支持。原型系统已安装在华盛顿州的实验室和运营中心，处理真实库存。在包含各种挑战性产品属性的分拣测试中，系统成功分拣了95件物品中的94件。

"分拣将成为首个大规模棕色地带自动化项目，"总监表示。"我们正在实现机器人与人类并肩工作的未来，而无需大幅改变人类工作环境。"

团队最终目标是能够分拣标准某中心85%的产品。"与杂乱排列的未知物品交互，以智能方式操作它们，这具有开创性意义，"资深应用科学家表示。"我感觉自己正处在重大变革的起点，这让我每天都能兴奋地工作。"